Clasificación de estrellas y galaxias a través de ensamble híbrido de deep learning

Abstract

RESUMEN : La astronomía es una ciencia que nos permite comprender la estructura y evolución del universo en el que vivimos. Una de las tareas fundamentales en la investigación astronómica es la identificación y clasificación de fuentes de luz en las imágenes capturadas por los telescopios, más específicamente entre estrellas y galaxias. Sin embargo, distinguir entre estos cuerpos celestes en una imagen puede ser un desafío, ya que ambas pueden ser similares en cuanto a forma y tamaño a partir de ciertas distancias. Por otro lado los recientes y venideros censos del cielo proveen enromes cantidades de información en la forma de imágenes (del orden de decenas de Tb por semana). Identificar y clasificar fuentes en tales conjuntos de datos se convierte en una tarea imposible desde el punto de vista práctico si se piensa en que sea una labor hecha por humanos, y se hace necesario hacer uso de herramientas computacionales para resolver el problema. En este proyecto, se presenta una solución a esta problemática mediante un framework que combina y explota dos modelos de deep learning: MobileNetSSDv2 para la detección de objetos y ResNet para clasificar los objetos detectados. El objetivo de este trabajo es demostrar la efectividad de este enfoque en la identificación precisa de fuentes de luz astronómicas en imágenes. Los modelos fueron entrenados utilizando redes neuronales convolucionales y técnicas de deep learning, que proveen mejores resultados que otros métodos basados en ingeniería de características manuales o en maquinas de vectores de soporte (SVM). Estos métodos fueron entrenados utilizando el dataset público de Sloan Digital Sky Survey (SDSS).

ABSTRACT : Astronomy is a science that allows us to understand the structure and evolution of the universe we live in. One of the fundamental tasks in astronomical research is the identification and classification of light sources in images captured by telescopes, specifically between stars and galaxies. However, distinguishing between these celestial bodies in an image can be challenging since both can appear similar in shape and size from certain distances. On the other hand, recent and upcoming sky surveys provide enormous amounts of information in the form of images (on the order of tens of terabytes per week). Identifying and classifying sources in such data sets becomes an impractical task if done manually by humans, and it becomes necessary to use computational tools to solve the problem. In this project, a solution to this problem is presented through a framework that combines and exploits two deep learning models: MobileNetSSDv2 for object detection and ResNet for classifying the detected objects. The objective of this work is to demonstrate the effectiveness of this approach in accurately identifying astronomical light sources in images. The models were trained using convolutional neural networks and deep learning techniques, which provide better results than other methods based on manual feature engineering or support vector machines (SVM). These methods were trained using the public dataset from the Sloan Digital Sky Survey (SDSS).