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...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Articulo |
| Lenguaje: | Inglés |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/164649 |
| Aporte de: |
| Sumario: | 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. |
|---|