Processamento e análise de imagens astronômicas usando modelos convolucionais profundos

• Processo: 18/25671-9
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de fevereiro de 2019
• Data de Término da vigência: 31 de dezembro de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: Nina Sumiko Tomita Hirata
• Beneficiário: Ana Carolina Rodrigues Cavalcante Martinazzo
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME)
• Vinculado ao auxílio: 17/25835-9 - Interpretação de imagens e de modelos de aprendizado profundos, AP.PITE
• Assunto(s): Visão computacional Aprendizado computacional Aprendizagem profunda
• Palavra(s)-Chave do Pesquisador: astronomical images | Deep Learning | machine learning | multispectral image processing | structural information | Visão Computacional

Resumo

A Astronomia entrou na era das varreduras (surveys) fotométricas gigantes, transicionando de um campo de estudo com relativa escassez de dados para um com muita riqueza de dados. As imagens que estão sendo coletadas por essa nova geração de varreduras apresenta características desafiadoras: o tamanho (chegam a ser uma ordem de grandeza maior que as imagens que usualmente processamos), a grande quantidade de canais (pode chegar a algumas dezenas), baixa relação sinal-ruído, saturação de sinal, informações ausentes, objetos desconhecidos, e assim por diante. Além disso, há uma quantidade grande - e crescente - de imagens disponíveis. Neste cenário, abordagens de aprendizagem profunda surgem como uma alternativa bastante apropriada para extrair informação dos dados.Nossa principal proposta é explorar informação estrutural, tanto espacial quanto espectral, de imagens astronômicas fazendo uso de técnicas de aprendizagem profunda. Pretendemos desenvolver modelos de rede profunda que gerem representações ricas e gerais das imagens e que sejam adequadas para uma variedade de análises tais como detecção de objetos, detecção de "outliers" e agrupamento (clustering). Isto possibilitaria o desenvolvimento de um modelo ponta-a-ponta (end-to-end) para processamento e análise de imagens em larga escala, o que por sua vez poderá levar a resultados mais precisos e novas descobertas em astronomia. Como estudo de caso, pretendemos explorar o problema de detecção automática de objetos tais como estrelas e galáxias bem como de classificação refinada das mesmas.Este projeto conta com a colaboração de pesquisadores do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São Paulo (IAG-USP), que lideram o S-PLUS (Southern Photometric Local Universe Survey), uma varredura fotométrica que está em andamento.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MARTINAZZO, ANA; ESPADOTO, MATEUS; HIRATA, NINA S. T.; FARINELLA, GM; RADEVA, P; BRAZ, J. Deep Learning for Astronomical Object Classification: A Case Study. VISAPP: PROCEEDINGS OF THE 15TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS, VOL 4: VISAPP, v. N/A, p. 9-pg., 2020-01-01. (17/25835-9, 18/25671-9, 15/22308-2)

MARTINAZZO, ANA; ESPADOTO, MATEUS; HIRATA, NINA S. T.; IEEE COMP SOC. Self-supervised Learning for Astronomical Image Classification. 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 7-pg., 2021-01-01. (17/25835-9, 18/25671-9)

NAKAZONO, L.; DE OLIVEIRA, C. MENDES; HIRATA, N. S. T.; JERAM, S.; QUEIROZ, C.; EIKENBERRY, STEPHEN S.; GONZALEZ, A. H.; ABRAMO, R.; OVERZIER, R.; ESPADOTO, M.; et al. On the discovery of stars, quasars, and galaxies in the Southern Hemisphere with S-PLUS DR2. Monthly Notices of the Royal Astronomical Society, v. 507, n. 4, p. 5847-5868, NOV 2021. (18/09165-6, 19/06766-1, 19/10923-5, 15/22308-2, 19/26492-3, 18/20977-2, 14/10566-4, 19/01312-2, 18/25671-9, 19/23388-0, 17/25835-9, 15/11442-0, 16/12331-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

MARTINAZZO, Ana Carolina Rodrigues Cavalcante. Uma abordagem de aprendizagem auto-supervisionada para imagens astronômicas. 2021. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) São Paulo.