Sobre el uso de técnicas de Machine Learning para clasificar imágenes astronómicas

Abstract

En la presente memoria se pretende investigar t´ecnicas de reconocimiento de imagen mediante el uso de redes neuronales para separar im´agenes mal tomadas, as´ı como desenfoques. Inicialmente introducimos las nociones b´asicas de qu´e es una imagen astron´omica, c´omo es la forma de los objetos estelares que la conforman, el perfil de intensidad, describiendo las herramientas a utilizar para visualizar y clasificar los objetos de forma autom´atica mediante el uso del deep learning. A continuaci´on se pasa a estudiar sobre las redes neuronales, qu´e son y de qu´e se componen, desarrollando los algoritmos del descenso del gradiente y backpropagation mediante los cuales estas pueden aprender de forma jerarquizada. Posterior a algunos ejemplos ilustrativos, se introducen las redes neuronales convolucionales, las cuales se especializan en el tratamiento de im´agenes, viendo c´omo la red puede reconocer patrones de forma semejante a como lo realiza el ojo humano, mediante el proceso de convoluci´on y filtros de im´agenes. Finalmente, se ilustran los conceptos previos mostrando los resultados de implementar una red neuronal convolucional que clasifique im´agenes astron´omicas, discutiendo c´omo la dificultad del aprendizaje autom´atico recae en la buena elecci´on del modelo, concluyendo con las predicciones del mismo.

In the present manuscript it is intended to investigate image recognition techniques through the use of neural networks to separate badly taken images, as well as blurs. Initially we introduce the basic notions of what an astronomical image is, what the shape of the stellar objects that make it up is like, the intensity profile, describing the tools to be used to visualize and automatically discriminate objects using deep learning. Next, we go on to study about neural networks, what they are and what they are made of, developing gradient descent and backpropagation algorithms through which they can learn in a hierarchical way. After some illustrative examples, convolutional neural networks are introduced, which specialize in image processing, seeing how the network can recognize patterns in a similar way to how the human eye does it, through the convolution process and image filters. Finally, the previous concepts are illustrated, showing the results of implementing a convolutional neural network that discriminates astronomical images, discussing how the difficulty of machine learning lies in the good choice of the model, concluding with its predictions.