A self-supervised learning approach for astronomical images (2021)
- Authors:
- Autor USP: MARTINAZZO, ANA CAROLINA RODRIGUES CAVALCANTE - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/D.45.2021.tde-11012022-203357
- Subjects: PROCESSAMENTO DE IMAGENS; ASTRONOMIA; SOFTWARES; REDES NEURAIS; APRENDIZADO COMPUTACIONAL
- Keywords: Aprendizagem auto-supervisionada; Astronomical image processing; Convolutional neural networks; Processamento de imagens astronômicas; Redes neurais convolucionais; Self-supervised learning
- Agências de fomento:
- Language: Inglês
- Abstract: Programas de varredura do céu contemporâneos têm nos fornecido um grande volume de imagens com características pouco usuais, tais como grande quantidade de canais, sinais saturados, sinais fracos, incertezas, e razões sinal-ruído variáveis. A complexidade e diversidade dessas imagens faz com que elas sejam dados bastante adequados e interessantes para uso de redes neurais convolucionais profundas. Dado este contexto, o principal objetivo deste trabalho é investigar abordagens de aprendizagem de representações para imagens astronômicas usando redes neurais, com foco em encontrar representações satisfatórias que não necessitem de dados rotulados, e que incorporem um pouco de conhecimento específico da Astronomia. Uma representação satisfatória pode ser definida como uma representação que contenha informação discriminativa suficiente para que possa ser utilizada em tarefas de mais alto nível, tais como classificação de objetos, detecção de anomalias, e agrupamento. É proposta uma abordagem de aprendizagem auto-supervisionada que utiliza propriedades astronômicas (mais especificamente, magnitudes) dos objetos a fim de possibilitar o pré-treinamento de redes neurais profundas com dados não rotulados. A tarefa de classificar galáxias, estrelas e quasares é escolhida como uma base comparativa para quantificar a qualidade das representações aprendidas. Demonstramos empiricamente que nossa abordagem produz resultados que são melhores do que -- ou comparáveis a -- um modelo dereferência pré-treinado no ImageNet
- Imprenta:
- Data da defesa: 25.10.2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MARTINAZZO, Ana Carolina Rodrigues Cavalcante. A self-supervised learning approach for astronomical images. 2021. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-11012022-203357/. Acesso em: 22 jul. 2024. -
APA
Martinazzo, A. C. R. C. (2021). A self-supervised learning approach for astronomical images (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-11012022-203357/ -
NLM
Martinazzo ACRC. A self-supervised learning approach for astronomical images [Internet]. 2021 ;[citado 2024 jul. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-11012022-203357/ -
Vancouver
Martinazzo ACRC. A self-supervised learning approach for astronomical images [Internet]. 2021 ;[citado 2024 jul. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-11012022-203357/
Informações sobre o DOI: 10.11606/D.45.2021.tde-11012022-203357 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas