Download

Download Full Text (10.2 MB)

Description

En este trabajo, exploramos la clasificación de imágenes astronómicas, específicamente galaxias, utilizando redes neuronales convolucionales (CNN). Establecemos una base teórica discutiendo las características clave de los diferentes tipos de galaxias y profundizamos en el campo de la visión por ordenador y las CNN, destacando sus funciones, aplicaciones, conceptos y técnicas esenciales.

En el desarrollo del modelo, se utiliza el conjunto de datos del proyecto Galaxy Zoo, analizando el origen y la distribución de clases de las imágenes para comprender los factores que pueden afectar el rendimiento del modelo. Se entrenaron tres modelos diferentes: el primero usando ResNet50, el segundo usando DenseNet121, y el tercero combinando DenseNet121 con técnicas de submuestreo para equilibrar el conjunto de datos. Los resultados indican que, aunque ResNet50 proporciona una precisión aceptable, su rendimiento se ve obstaculizado por el desequilibrio de clases.

DenseNet121 mejora significativamente la precisión, pero también se ve afectado por este desequilibrio. El tercer modelo, que integra submuestreo con DenseNet121, logra un rendimiento más equilibrado y representativo.

Este trabajo subraya la eficacia de las arquitecturas avanzadas de CNN en la clasificación de imágenes astronómicas y enfatiza la necesidad de conjuntos de datos equilibrados y técnicas de aumento de datos. Las direcciones futuras de investigación incluyen la incorporación de imágenes en diferentes longitudes de onda y la aplicación de técnicas de segmentación para mejorar aún más el rendimiento del modelo.

Publication Date

2024

Publisher

UDIT

City

Madrid

Keywords

Clasificación morfológica de galaxias, Redes Neuronales Convolucionales, ResNet50, DenseNet121, Visión Artificial, Galaxy Zoo Dataset

Aplicación de redes neuronales convolucionales para la clasificación de galaxias (2024)

Share

COinS