RT info:eu-repo/semantics/masterThesis
T1 Técnicas de Deep Learning para la segmentación de colas de marea en imágenes astronómicas
A1 Torre Guinaldo, Darío de la
A2 Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
K1 Aprendizaje profundo
K1 Redes neuronales convolucionales
K1 Visión artificial
K1 Segmentación semántica
AB La formación y evolución de las galaxias es una de las áreas de investigaciónmás activas de la Astrofísica, y uno de los fenómenos astronómicos que aún no secomprenden del todo es la fusión de galaxias, cuyo resultado son las colas de marea. Suestudio se lleva a cabo mediante los llamados telescopios sinópticos, aparatos capacesde cartografiar grandes regiones del cielo. El más moderno de todos ellos es Euclid, untelescopio espacial lanzado por la Agencia Espacial Europea, cuya principal misiónserá estudiar la aceleración del Universo y la energía oscura. Debido a la masivacantidad de datos que este telescopio producirá, se evidencia la necesidad de crearherramientas que automaticen las labores tediosas y repetitivas que tradicionalmentehan realizado los astrónomos a la hora de analizar estas imágenes. Para ayudar condicha tarea, en este proyecto se han desarrollado modelos de aprendizaje profundocapaces de clasificar y segmentar colas de marea en imágenes astronómicas. Estosmodelos han sido entrenados íntegramente mediante imágenes generadas de formasintética que simulan galaxias y colas de marea como si fueran observadas por Euclid,aleatorizando todos sus parámetros con el objetivo de disponer de un conjuntoilimitado de galaxias y colas de marea. Es la primera vez, con respecto a trabajosrelacionados en este ámbito, que se realiza un flujo por etapas que comprende tantoclasificación de imágenes con y sin cola de marea, como segmentación de los píxelesque 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 desegmentación semántica alcanzando un índice Dice de 0.83, ambos evaluados sobreun conjunto de datos de prueba de 2000 imágenes simuladas de manera realista.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/63037
UL https://uvadoc.uva.es/handle/10324/63037
LA spa
NO Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
DS UVaDOC
RD 17-jul-2024