Deep Learning for Astronomical Object Classification: A Case Study

Autor(es)

Martinazzo, Ana ; Espadoto, Mateus ; Hirata, Nina S. T. ; Farinella, GM ; Radeva, P ; Braz, J

• Tipo de documento: Artigo Científico
• Fonte: 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.

Resumo

With the emergence of photometric surveys in astronomy, came the challenge of processing and understanding an enormous amount of image data. In this paper, we systematically compare the performance of five popular ConvNet architectures when applied to three different image classification problems in astronomy to determine which architecture works best for each problem. We show that a VGG-style architecture pre-trained on ImageNet yields the best results on all studied problems, even when compared to architectures which perform much better on the ImageNet competition. (AU)

• Processo FAPESP: 17/25835-9 - Interpretação de imagens e de modelos de aprendizado profundos
• Beneficiário: Nina Sumiko Tomita Hirata
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• 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
• Processo FAPESP: 15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento
• Beneficiário: Roberto Marcondes Cesar Junior
• Modalidade de apoio: Auxílio à Pesquisa - Temático