Galaxy segmentation using U-Net deep-learning algorithm

La automatización en la segmentación de imágenes es crucial para estudiar la morfología de galaxias en relevamientos de gran escala. En este trabajo utilizamos el conjunto de datos de Galaxy Zoo 3D para entrenar una serie de redes neuronales convolucionales capaces de detectar brazos espirales en im...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Rey Deutsch, Tomás, Bignone, Lucas Axel, Pedrosa, Susana Elizabeth
Formato: Articulo
Lenguaje:Inglés
Publicado: 2023
Materias:
Ciencias Astronómicas
galaxies: spiral
methods: numerical
techniques: image processing
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/164649
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-164649
record_format dspace
spelling I19-R120-10915-1646492024-04-10T20:02:19Z http://sedici.unlp.edu.ar/handle/10915/164649 Galaxy segmentation using U-Net deep-learning algorithm Rey Deutsch, Tomás Bignone, Lucas Axel Pedrosa, Susana Elizabeth 2023-08 2024-04-10T17:05:52Z en Ciencias Astronómicas galaxies: spiral methods: numerical techniques: image processing La automatización en la segmentación de imágenes es crucial para estudiar la morfología de galaxias en relevamientos de gran escala. En este trabajo utilizamos el conjunto de datos de Galaxy Zoo 3D para entrenar una serie de redes neuronales convolucionales capaces de detectar brazos espirales en imágenes de galaxias. Se contruyeron seis modelos de aprendizaje profundo según el diferente grado de confianza que se tiene para la región marcada como brazo. Utilizamos redes neuronales con arquitectura U-Net, capaces de generar máscaras binarias de brazos espirales con un alto grado de precisión. Esto permite, no solo identificar qué galaxias tienen brazos espirales, sino también ubicarlos a nivel de los píxeles que ocupan y medir su tamaño relativo para seis grados de certeza distintos. Automation in image segmentation is crucial to study the morphology of galaxies from large-scale surveys. In this work we use the Galaxy Zoo 3D dataset to train a series of convolutional neural networks for spiral arms detection in galaxy images. Six different deep-learning models were built according to the levels of confidence for the region marked as an arm. Using an architecture called U-Net, we trained an algorithm capable of generating spiral arms binary masks over a new set of images with high precision. This allows, not only to identify which galaxies have spiral arms, but to easily position the pixels from the spiral arms and measure their relative size for six different degrees of certainty. Asociación Argentina de Astronomía Articulo Articulo http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Inglés
topic Ciencias Astronómicas
galaxies: spiral
methods: numerical
techniques: image processing
spellingShingle Ciencias Astronómicas
galaxies: spiral
methods: numerical
techniques: image processing
Rey Deutsch, Tomás
Bignone, Lucas Axel
Pedrosa, Susana Elizabeth
Galaxy segmentation using U-Net deep-learning algorithm
topic_facet Ciencias Astronómicas
galaxies: spiral
methods: numerical
techniques: image processing
description La automatización en la segmentación de imágenes es crucial para estudiar la morfología de galaxias en relevamientos de gran escala. En este trabajo utilizamos el conjunto de datos de Galaxy Zoo 3D para entrenar una serie de redes neuronales convolucionales capaces de detectar brazos espirales en imágenes de galaxias. Se contruyeron seis modelos de aprendizaje profundo según el diferente grado de confianza que se tiene para la región marcada como brazo. Utilizamos redes neuronales con arquitectura U-Net, capaces de generar máscaras binarias de brazos espirales con un alto grado de precisión. Esto permite, no solo identificar qué galaxias tienen brazos espirales, sino también ubicarlos a nivel de los píxeles que ocupan y medir su tamaño relativo para seis grados de certeza distintos.
format Articulo
Articulo
author Rey Deutsch, Tomás
Bignone, Lucas Axel
Pedrosa, Susana Elizabeth
author_facet Rey Deutsch, Tomás
Bignone, Lucas Axel
Pedrosa, Susana Elizabeth
author_sort Rey Deutsch, Tomás
title Galaxy segmentation using U-Net deep-learning algorithm
title_short Galaxy segmentation using U-Net deep-learning algorithm
title_full Galaxy segmentation using U-Net deep-learning algorithm
title_fullStr Galaxy segmentation using U-Net deep-learning algorithm
title_full_unstemmed Galaxy segmentation using U-Net deep-learning algorithm
title_sort galaxy segmentation using u-net deep-learning algorithm
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/164649
work_keys_str_mv AT reydeutschtomas galaxysegmentationusingunetdeeplearningalgorithm
AT bignonelucasaxel galaxysegmentationusingunetdeeplearningalgorithm
AT pedrosasusanaelizabeth galaxysegmentationusingunetdeeplearningalgorithm
_version_ 1807222902140960768

Ejemplares similares