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...

Descripción completa

Detalles Bibliográficos
Autor: Fernández Iglesias, Jesús
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
id ES_cdfd295d459de589d3b67ce57c77ce4e
oai_identifier_str oai:uvadoc.uva.es:10324/57373
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
title Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
spellingShingle Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
Fernández Iglesias, Jesús
Tamaño de galaxias
Visión artificial
Reconocimiento de patrones
Aprendizaje profundo
title_short Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
title_full Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
title_fullStr Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
title_full_unstemmed Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
title_sort Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante
dc.creator.none.fl_str_mv Fernández Iglesias, Jesús
author Fernández Iglesias, Jesús
author_facet Fernández Iglesias, Jesús
author_role author
dc.contributor.none.fl_str_mv Sahelices Fernández, Benjamín
Buitrago Alonso, Fernando
Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
dc.subject.none.fl_str_mv Tamaño de galaxias
Visión artificial
Reconocimiento de patrones
Aprendizaje profundo
topic Tamaño de galaxias
Visión artificial
Reconocimiento de patrones
Aprendizaje profundo
description 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.
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://uvadoc.uva.es/handle/10324/57373
url https://uvadoc.uva.es/handle/10324/57373
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:UVaDOC. Repositorio Documental de la Universidad de Valladolid
instname:Universidad de Valladolid
instname_str Universidad de Valladolid
reponame_str UVaDOC. Repositorio Documental de la Universidad de Valladolid
collection UVaDOC. Repositorio Documental de la Universidad de Valladolid
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869419927402708992
spelling Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distanteFernández Iglesias, JesúsTamaño de galaxiasVisión artificialReconocimiento de patronesAprendizaje profundoAsignar 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.Being able to asign a size to galaxies is an extremely complex task due to the diffuse and fuzzy-defined nature of these bodies. In addition, variations in the exposure time used to receive information from galaxies cause more or less weak areas to be captured, thus varying their apparent brightness. Currently, the process of delimiting the edges of galactic objects, which provides valuable information about the formation and evolution of distant space, is done manually, with the consequent impossibility of estimating the limits of billions of galaxies to which we have more and more access due to the incessant development of technology in the field of astrophysics. The clear framing of the problem as a pattern recognition one prompts this work to develop state-of-the-art deep learning techniques that are able to assign a size to galaxies by estimating their boundaries. To do so, we use a dataset from the CANDELS project, the largest programme ever carried out by the Hubble Space Telescope, and follow a semantic segmentation approach, obtaining high quality results. In addition, we show how the generation of astronomic augmentations by developing different combinations of bands of the electromagnetic spectrum, and their simultaneous exploitation to make inferences, leads to more accurate results on the test set. These results open the door to the exploration of techniques for generating new images with more data that can be captured by space telescopes with the aim of using them in large numbers to surpass the state-of-the-art results.Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)Máster en Ingeniería InformáticaSahelices Fernández, BenjamínBuitrago Alonso, FernandoUniversidad de Valladolid. Escuela de Ingeniería Informática de Valladolid2022info:eu-repo/semantics/masterThesisapplication/pdfhttps://uvadoc.uva.es/handle/10324/57373reponame:UVaDOC. Repositorio Documental de la Universidad de Valladolidinstname:Universidad de ValladolidEspañolinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/oai:uvadoc.uva.es:10324/573732026-06-13T12:44:47Z
score 15,300719

Similares en LA Referencia