Técnicas de Deep Learning para la segmentación de colas de marea en imágenes astronómicas
La formación y evolución de las galaxias es una de las áreas de investigación más activas de la Astrofísica, y uno de los fenómenos astronómicos que aún no se comprenden del todo es la fusión de galaxias, cuyo resultado son las colas de marea. Su estudio se lleva a cabo mediante los llamados telesco...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad de Valladolid |
| Repositorio: | UVaDOC. Repositorio Documental de la Universidad de Valladolid |
| OAI Identifier: | oai:uvadoc.uva.es:10324/63037 |
| Acceso en línea: | https://uvadoc.uva.es/handle/10324/63037 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizaje profundo Redes neuronales convolucionales Visión artificial Segmentación semántica |
| Sumario: | La formación y evolución de las galaxias es una de las áreas de investigación más activas de la Astrofísica, y uno de los fenómenos astronómicos que aún no se comprenden del todo es la fusión de galaxias, cuyo resultado son las colas de marea. Su estudio se lleva a cabo mediante los llamados telescopios sinópticos, aparatos capaces de cartografiar grandes regiones del cielo. El más moderno de todos ellos es Euclid, un telescopio espacial lanzado por la Agencia Espacial Europea, cuya principal misión será estudiar la aceleración del Universo y la energía oscura. Debido a la masiva cantidad de datos que este telescopio producirá, se evidencia la necesidad de crear herramientas que automaticen las labores tediosas y repetitivas que tradicionalmente han realizado los astrónomos a la hora de analizar estas imágenes. Para ayudar con dicha tarea, en este proyecto se han desarrollado modelos de aprendizaje profundo capaces de clasificar y segmentar colas de marea en imágenes astronómicas. Estos modelos han sido entrenados íntegramente mediante imágenes generadas de forma sintética que simulan galaxias y colas de marea como si fueran observadas por Euclid, aleatorizando todos sus parámetros con el objetivo de disponer de un conjunto ilimitado de galaxias y colas de marea. Es la primera vez, con respecto a trabajos relacionados en este ámbito, que se realiza un flujo por etapas que comprende tanto clasificación de imágenes con y sin cola de marea, como segmentación de los píxeles que conforman la cola de marea detectada. El resultado final es, en primera instancia, un modelo de clasificación con un AUC de 0.987 y, en segundo lugar, un modelo de segmentación semántica alcanzando un índice Dice de 0.83, ambos evaluados sobre un conjunto de datos de prueba de 2000 imágenes simuladas de manera realista. |
|---|