Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
Asignar un tamaño a las galaxias es una tarea extremadamente compleja debido a la naturaleza difusa y mal definida que tienen estos cuerpos. Además, las variaciones en el tiempo de exposición utilizado para recibir información de las mismas provoca que se capten zonas más o menos débiles, variando a...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad de Valladolid |
| Repositorio: | UVaDOC. Repositorio Documental de la Universidad de Valladolid |
| OAI Identifier: | oai:uvadoc.uva.es:10324/57373 |
| Acceso en línea: | https://uvadoc.uva.es/handle/10324/57373 |
| Access Level: | acceso abierto |
| Palabra clave: | Tamaño de galaxias Visión artificial Reconocimiento de patrones Aprendizaje profundo |
| Sumario: | Asignar un tamaño a las galaxias es una tarea extremadamente compleja debido a la naturaleza difusa y mal definida que tienen estos cuerpos. Además, las variaciones en el tiempo de exposición utilizado para recibir información de las mismas provoca que se capten zonas más o menos débiles, variando así el brillo aparente de estas. Actualmente, el proceso de delimitación de bordes de objetos galácticos, el cual brinda valiosa información acerca de la formación y evolución del espacio distante, se realiza de manera manual, con la consiguiente imposibilidad de estimar los límites de miles de millones de galaxias a las que cada vez se tiene más acceso debido al incesante desarrollo de la tecnología en el ámbito de la astrofísica. La clara enmarcación del problema como un reconocimiento de patrones motiva que en este trabajo se desarrollen técnicas de aprendizaje profundo en el estado de arte que sean capaces de asignar un tamaño a las galaxias mediante la estimación de sus límites. Para ello, se utiliza un conjunto de datos del proyecto CANDELS, el mayor programa espacial llevado a cabo por el telescopio Hubble, y se sigue un enfoque de segmentación semántica, obteniendo unos resultados de gran calidad. Además, mostramos cómo la generación de astronomic augmentations mediante el desarrollo de distintas combinaciones de bandas del espectro electromagnético, y su aprovechamiento simultáneo para realizar inferencias, induce a unos resultados más preciso sobre el conjunto de test. Dichos resultados abren la puerta a la exploración de técnicas de generación de nuevas imágenes con más datos que puedan ser captados por los telescopios espaciales con el objetivo de su utilización en masa para superar los resultados que se encuentren en el estado del arte. |
|---|