Desarrollo de técnicas de visión artificial basadas en aprendizaje profundo para la delimitación de bordes de galaxias del espacio distante

Abstract

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.

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.