Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias

Autores
Panarello, Bernabé
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Jacobo Berlles, Julio César Alberto
Descripción
La tarea de clasificación morfológica de galaxias es de vital importancia en el campo de la cosmología. La reciente explosión en la disponibilidad de imágenes proporcionadas por distintos programas como la Sloan Digital Survey ha incrementado el interés en métodos de clasificación automática. Las redes neuronales convolucionales (CNN) han probado ser una excelente base para la tarea de clasificación de imágenes. Si bien estas generan representaciones jerárquicas que son invariantes o equivariantes respecto a la traslación, lo mismo no ocurre para otras transformaciones como la rotación. Las clasificación de galaxias debe ser invariante respecto a la rotación, debido a que las imágenes a clasificar no se presentan en una orientación específica. En este trabajo se implementan y evalúan arquitecturas CNN modificadas que por su diseño prometen ciertas propiedades de invarianza y/o equivarianza respecto a la rotación. Luego se evalúa su desempeño en dos tareas de clasificación y se reportan los resultados obtenidos.
Galaxy classification plays a vital role in the cosmology field. Over the last years, due to an explosion in the availability of image data produced by programs like the Sloan Digital Survey, the interest for automatic classification methods has increased. Deep convolutional neural networks (DCNN) have proven to be an excellent baseline to perform image classification tasks. Although CNN’s generate hierarchical representations that are invariant or equivariant to translation, the same does not hold true for other spatial transformations like rotations. Galaxy classification must be rotation-invariant because the images to classify are presented to the networks in arbitrary orientations. In this work, we implement and evaluate modified CNN architectures that, due to their design, they promise rotation invariance and/or equivariance. We evaluate their performance in two galaxy classification tasks and report the results.
Fil: Panarello, Bernabé. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
REDES CONVOLUCIONALES
INVARIANZA ROTACIONAL
EQUIVARIANZA ROTACIONAL
CLASIFICACION MORFOLOGICA DE GALAXIAS
CONVOLUTIONAL NEURAL NETWORKS
ROTATIONAL INVARIANCE
ROTATIONAL EQUIVARIANCE
GALAXY MORPHOLOGICAL CLASSIFICATION
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000642_Panarello

id BDUBAFCEN_60001f3e01e17b5e19a62bbae9d838c9
oai_identifier_str seminario:seminario_nCOM000642_Panarello
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxiasPanarello, BernabéREDES CONVOLUCIONALESINVARIANZA ROTACIONALEQUIVARIANZA ROTACIONALCLASIFICACION MORFOLOGICA DE GALAXIASCONVOLUTIONAL NEURAL NETWORKSROTATIONAL INVARIANCEROTATIONAL EQUIVARIANCEGALAXY MORPHOLOGICAL CLASSIFICATIONLa tarea de clasificación morfológica de galaxias es de vital importancia en el campo de la cosmología. La reciente explosión en la disponibilidad de imágenes proporcionadas por distintos programas como la Sloan Digital Survey ha incrementado el interés en métodos de clasificación automática. Las redes neuronales convolucionales (CNN) han probado ser una excelente base para la tarea de clasificación de imágenes. Si bien estas generan representaciones jerárquicas que son invariantes o equivariantes respecto a la traslación, lo mismo no ocurre para otras transformaciones como la rotación. Las clasificación de galaxias debe ser invariante respecto a la rotación, debido a que las imágenes a clasificar no se presentan en una orientación específica. En este trabajo se implementan y evalúan arquitecturas CNN modificadas que por su diseño prometen ciertas propiedades de invarianza y/o equivarianza respecto a la rotación. Luego se evalúa su desempeño en dos tareas de clasificación y se reportan los resultados obtenidos.Galaxy classification plays a vital role in the cosmology field. Over the last years, due to an explosion in the availability of image data produced by programs like the Sloan Digital Survey, the interest for automatic classification methods has increased. Deep convolutional neural networks (DCNN) have proven to be an excellent baseline to perform image classification tasks. Although CNN’s generate hierarchical representations that are invariant or equivariant to translation, the same does not hold true for other spatial transformations like rotations. Galaxy classification must be rotation-invariant because the images to classify are presented to the networks in arbitrary orientations. In this work, we implement and evaluate modified CNN architectures that, due to their design, they promise rotation invariance and/or equivariance. We evaluate their performance in two galaxy classification tasks and report the results.Fil: Panarello, Bernabé. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesJacobo Berlles, Julio César Alberto2017info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000642_Panarellospainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:43:38Zseminario:seminario_nCOM000642_PanarelloInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:39.496Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
title Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
spellingShingle Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
Panarello, Bernabé
REDES CONVOLUCIONALES
INVARIANZA ROTACIONAL
EQUIVARIANZA ROTACIONAL
CLASIFICACION MORFOLOGICA DE GALAXIAS
CONVOLUTIONAL NEURAL NETWORKS
ROTATIONAL INVARIANCE
ROTATIONAL EQUIVARIANCE
GALAXY MORPHOLOGICAL CLASSIFICATION
title_short Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
title_full Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
title_fullStr Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
title_full_unstemmed Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
title_sort Estudio de arquitecturas convolucionales con propiedades de invarianza respecto a la rotación aplicado a la clasificación morfológica de galaxias
dc.creator.none.fl_str_mv Panarello, Bernabé
author Panarello, Bernabé
author_facet Panarello, Bernabé
author_role author
dc.contributor.none.fl_str_mv Jacobo Berlles, Julio César Alberto
dc.subject.none.fl_str_mv REDES CONVOLUCIONALES
INVARIANZA ROTACIONAL
EQUIVARIANZA ROTACIONAL
CLASIFICACION MORFOLOGICA DE GALAXIAS
CONVOLUTIONAL NEURAL NETWORKS
ROTATIONAL INVARIANCE
ROTATIONAL EQUIVARIANCE
GALAXY MORPHOLOGICAL CLASSIFICATION
topic REDES CONVOLUCIONALES
INVARIANZA ROTACIONAL
EQUIVARIANZA ROTACIONAL
CLASIFICACION MORFOLOGICA DE GALAXIAS
CONVOLUTIONAL NEURAL NETWORKS
ROTATIONAL INVARIANCE
ROTATIONAL EQUIVARIANCE
GALAXY MORPHOLOGICAL CLASSIFICATION
dc.description.none.fl_txt_mv La tarea de clasificación morfológica de galaxias es de vital importancia en el campo de la cosmología. La reciente explosión en la disponibilidad de imágenes proporcionadas por distintos programas como la Sloan Digital Survey ha incrementado el interés en métodos de clasificación automática. Las redes neuronales convolucionales (CNN) han probado ser una excelente base para la tarea de clasificación de imágenes. Si bien estas generan representaciones jerárquicas que son invariantes o equivariantes respecto a la traslación, lo mismo no ocurre para otras transformaciones como la rotación. Las clasificación de galaxias debe ser invariante respecto a la rotación, debido a que las imágenes a clasificar no se presentan en una orientación específica. En este trabajo se implementan y evalúan arquitecturas CNN modificadas que por su diseño prometen ciertas propiedades de invarianza y/o equivarianza respecto a la rotación. Luego se evalúa su desempeño en dos tareas de clasificación y se reportan los resultados obtenidos.
Galaxy classification plays a vital role in the cosmology field. Over the last years, due to an explosion in the availability of image data produced by programs like the Sloan Digital Survey, the interest for automatic classification methods has increased. Deep convolutional neural networks (DCNN) have proven to be an excellent baseline to perform image classification tasks. Although CNN’s generate hierarchical representations that are invariant or equivariant to translation, the same does not hold true for other spatial transformations like rotations. Galaxy classification must be rotation-invariant because the images to classify are presented to the networks in arbitrary orientations. In this work, we implement and evaluate modified CNN architectures that, due to their design, they promise rotation invariance and/or equivariance. We evaluate their performance in two galaxy classification tasks and report the results.
Fil: Panarello, Bernabé. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description La tarea de clasificación morfológica de galaxias es de vital importancia en el campo de la cosmología. La reciente explosión en la disponibilidad de imágenes proporcionadas por distintos programas como la Sloan Digital Survey ha incrementado el interés en métodos de clasificación automática. Las redes neuronales convolucionales (CNN) han probado ser una excelente base para la tarea de clasificación de imágenes. Si bien estas generan representaciones jerárquicas que son invariantes o equivariantes respecto a la traslación, lo mismo no ocurre para otras transformaciones como la rotación. Las clasificación de galaxias debe ser invariante respecto a la rotación, debido a que las imágenes a clasificar no se presentan en una orientación específica. En este trabajo se implementan y evalúan arquitecturas CNN modificadas que por su diseño prometen ciertas propiedades de invarianza y/o equivarianza respecto a la rotación. Luego se evalúa su desempeño en dos tareas de clasificación y se reportan los resultados obtenidos.
publishDate 2017
dc.date.none.fl_str_mv 2017
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nCOM000642_Panarello
url https://hdl.handle.net/20.500.12110/seminario_nCOM000642_Panarello
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618756178837504
score 13.070432