Texto completo
| |
| Autor(es): |
Ana Carolina Rodrigues Cavalcante Martinazzo
Número total de Autores: 1
|
| Tipo de documento: | Dissertação de Mestrado |
| Imprenta: | São Paulo. |
| Instituição: | Universidade de São Paulo (USP). Instituto de Matemática e Estatística (IME/SBI) |
| Data de defesa: | 2021-10-25 |
| Membros da banca: |
Nina Sumiko Tomita Hirata;
Jurandy Gomes de Almeida Junior;
Laerte Sodre Junior
|
| Orientador: | Nina Sumiko Tomita Hirata |
| Resumo | |
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 de referência pré-treinado no ImageNet. (AU) | |
| Processo FAPESP: | 18/25671-9 - Processamento e análise de imagens astronômicas usando modelos convolucionais profundos |
| Beneficiário: | Ana Carolina Rodrigues Cavalcante Martinazzo |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |