深度学习模型高效标注太阳辐射演变视频
原文中文，约400字，阅读约需1分钟。发表于：。机器学习（ML）作为处理大规模复杂数据的关键工具，标注（labeling）是监督式 ML 的重要步骤。本文使用卷积神经网络（CNNs）对天体视频进行训练，以改善数据标注质量并减少人工干预。研究发现通过这种迭代过程获得的高质量标注数据集可以减少 50% 的人工验证，并且通过渐进遮盖视频并检测 CNN 推断的最大变化，可以定位双极磁区（BMRs）的出现时间，展示了 CNNs...
本文利用机器学习预测太阳耀斑，使用历史磁光图数据进行预测。通过卷积神经网络提取特征，并结合逻辑回归模型融合磁光图和耀斑历史的标量特征，生成24小时内M级或更强耀斑的校准概率预测。结果显示历史数据提高了预测准确性和可靠性，耀斑历史的预测能力大于从CNN中提取的特征，表明时间信息在耀斑预测模型中的重要性。
