Aprendizaje profundo para la clasificación y detección de anomalías en imágenes de objetos astronómicos
Professor Advisor
dc.contributor.advisor
Estévez Valencia, Pablo
Author
dc.contributor.author
Reyes De Jong, Esteban Dirk
Associate professor
dc.contributor.other
Zegers Fernández, Pablo
Associate professor
dc.contributor.other
Pérez Flores, Claudio Andrés
Admission date
dc.date.accessioned
2021-11-30T19:07:58Z
Available date
dc.date.available
2021-11-30T19:07:58Z
Publication date
dc.date.issued
2021
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/182957
Abstract
dc.description.abstract
En esta tesis se trabaja sobre tres temas principales. El primero es la clasificación de objetos astronómicos utilizando alertas generadas por el Zwicky Transient Facility (ZTF). Se propone la utilización de imágenes y metadatos contenidos en la primera detección de objetos astronómicos para entrenar una red neuronal convolucional. El clasificador denominado stamp classifier es capaz de clasificar entre 5 clases, logrando un accuracy de 94.1%. Segundo, se propone una serie de mejoras a un modelo de detección de anomalías llamado GeoTransform, basado en aprendizaje profundo y transformaciones geométricas sobre imágenes, para mejorar su desempeño en la detección de bogus (artefactos u objetos que no son de interés astrofísico). Se proponen nuevas transformaciones y estrategias para la selección de transformaciones, las que son probadas sobre las bases de datos High Cadence Transient Survey (HiTS) y ZTF, obteniéndose un área bajo la curva ROC (Receiver Operating Characteristic) de 99.42% para HiTS y 94.14% para ZTF. En la tercera parte se miden los efectos de utilizar bogus etiquetados de forma automática por GeoTransform en vez de bogus etiquetados manualmente para el entrenamiento del stamp classifier sobre la base ZTF, obteniéndose un aumento del 7.74%, en el accuracy del stamp classifier.
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States