Все последние события из жизни вулканологов, сейсмологов
Японцев, Американцев и прочих несчастных, которым повезло родиться, жить
и умереть в зоне сейсмической активности

Стихия

Землетрясение, Извержения вулканов, Ледяной дождь, Лесные пожары, Ливни, Наводнения, Огненный смерч, Паводок, Смерчи (Торнадо), Тайфуны, Тектонический разлом, Ураганы, Цунами, град, ледоход

Вулканы

Авачинский, Безымянный, Бромо, Везувий, Даллол, Иджен, Йеллоустоун, Кальбуко, Карымский, Килауэа, Ключевская Сопка, Мерапи, Мутновский, Невадос-де-Чильян, Ньирагонго, Толбачик, Фуэго, Хурикес, Шивелуч, Этна

Тайфуны

Тайфун Нору

Наводнения

Наводнение в Приморье

Районы вулканической активности

Вулканы Камчатки, Вулканы Мексики, Курилы

Грязевые вулканы и гейзеры

Локбатан

Природа

Вулканы, Изменение климата, Красота природы

Наука

Археология, Вулканология

Наша планета

Живая природа, Спасение животных

Ураганы

Тайфун Мэттью, Ураган Ирма, Ураган Харви, ураган Мария

Районы сейсмической активности

Землетрясение в Италии, Землетрясение в Китае, Землетрясение в Турции

Солнечная система

Венера, Марс, Меркурий, Планета Земля, Плутон, Сатурн, Юпитер

Космос

экзопланеты

Астрономические события

Лунное затмение, Метеориты, Противостояние Марса, Суперлуние

Антропогенные факторы

Климатическое оружие

Землетрясения

Прогноз землетрясений

2017-02-24 20:28

Нейронные сети помогают ученым получать четкие изображения из размытых снимков

Мощность телескопов, «рабочих лошадок» астрономов, ограничена размерами используемых в них линз или зеркал. Используя «нейронные сети», принцип, положенный в основу искусственного интеллекта, группа исследователей из Швейцарии теперь смогла перешагнуть этот предел, предлагая ученым получать самые четкие снимки, доступные при помощи оптической астрономии.

В новом исследовании группа ученых во главе с профессором Кевином Шавински (Kevin Schawinski) из Швейцарской высшей технической школы Цюриха использовала новейшие принципы машинного обучения для создания алгоритма, способного распознавать на астрономических снимках образ галактики и восстанавливать из размытого изображения более четкое изображение. Так же, как и человеку, нейронной сети требуются образцы – в этом случае «размытый» и «четкий» снимки одной и той же галактики – чтобы обучиться распознаванию.

В системе, предложенной командой Шавински, используются две нейронные сети, «соревнующиеся» друг с другом, так называемые «генеративные состязательные сети» (generative adversarial network, или GAN) – принцип, который в последнее время набирает популярность в среде специалистов по нейронным сетям. Продолжительность всей программы обучения на высокопроизводительном компьютере занимает всего лишь несколько часов.

Обученные нейронные сети становятся способны распознавать и реконструировать детали, которые не могут быть разрешены при помощи телескопа – такие как звездообразовательные области, перемычки и пылевые полосы в галактиках.


Источник: www.astronews.ru