Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/63037
Título
Técnicas de Deep Learning para la segmentación de colas de marea en imágenes astronómicas
Director o Tutor
Año del Documento
2023
Titulación
Máster en Ingeniería Informática
Abstract
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. The formation and evolution of galaxies is one of the most active areas of
research in Astrophysics, and one of the astronomical phenomena that is still not
fully understood is the merging of galaxies, which results in tidal tails. Its study is
carried out by means of the so-called synoptic telescopes, devices capable of mapping
large regions of the sky. The most modern of them all is Euclid, a space telescope
launched by the European Space Agency, whose main mission will be to study the
acceleration of the Universe and dark energy. Due to the massive amount of data
that this telescope will produce, there is a clear need to create tools to automate
the tedious and repetitive tasks that astronomers have traditionally performed when
analyzing these images. To help with this task, this project has developed deep
learning models capable of classifying and segmenting tidal tails in astronomical
images. These models have been fully trained using synthetically generated images
that simulate galaxies and tidal tails as if they were observed by Euclid, randomizing
all their parameters with the aim of having an unlimited set of galaxies and tidal tails.
This is the first time, with respect to related work in this field, that a stepwise flow
is performed comprising both classification of images with and without tidal tails,
and segmentation of the pixels that make up the detected tidal tail. The final result
is, in the first instance, a classification model with an AUC of 0.987 and, secondly, a
semantic segmentation model achieving a Dice index of 0.83, both evaluated on a
test dataset of 2000 realistically simulated images.
Palabras Clave
Aprendizaje profundo
Redes neuronales convolucionales
Visión artificial
Segmentación semántica
Departamento
Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
Departamento de Física Teórica, Atómica y Óptica
Departamento de Física Teórica, Atómica y Óptica
Idioma
spa
Derechos
openAccess
Collections
- Trabajos Fin de Máster UVa [6334]
Files in this item
![Attribution-NonCommercial-NoDerivatives 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-by-nc-nd.png)