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
• Colaborador/a o director/a de tesis: Jacobo Berlles, Julio César Alberto
• Materia: REDES CONVOLUCIONALES; INVARIANZA ROTACIONAL; EQUIVARIANZA ROTACIONAL; CLASIFICACION MORFOLOGICA DE GALAXIAS; CONVOLUTIONAL NEURAL NETWORKS; ROTATIONAL INVARIANCE; ROTATIONAL EQUIVARIANCE; GALAXY MORPHOLOGICAL CLASSIFICATION
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

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.