Rede Neural Convolucional classifica estrelas em aglomerados estelares

A maioria dos classificadores estrela-galáxia existentes usa as informações resumidas reduzidas dos catálogos,

exigindo extração e seleção cuidadosa de recursos. Os últimos avanços em aprendizado de máquina que usam redes neurais convolucionais profundas (ConvNets) permitem que uma máquina aprenda os recursos diretamente dos dados, minimizando a necessidade de entrada de especialistas humanos.

Usando dados do Sloan Digital Sky Survey e de pesquisa de Lentes Telescópicas Canadá–França–Havaí, demonstramos que as ConvNets são capazes de produzir classificações probabilísticas precisas e bem calibradas que sejam competitivas com

técnicas convencionais de aprendizado de máquina.

Avanços futuros em aprendizado profundo podem trazer mais

sucesso com levantamentos fotométricos atuais e futuros, como o Dark Energy Survey

e o Large Synoptic Survey Telescope, porque as redes neurais profundas requerem pouca engenharia de recursos manuais.

ConvNet para classificar estrelas e galáxias por imagens fotométricas SDSS e CFHTLenS. Para o conjunto de dados CFHTLenS, a rede é capaz de fornecer uma classificação tão

preciso como um algoritmo de floresta aleatória (TPC), enquanto a probabilidade as estimativas do nosso modelo ConvNet parecem ser mais bem calibradas.

A grande vantagem do ConvNets é que recursos úteis são aprendidos automaticamente a partir de imagens, enquanto

algoritmos tradicionais de aprendizado de máquina exigem engenharia de recursos

como um processo separado para produzir classificações precisas.

Fonte: https://deepai.space/stars-classification-based-on-color-using-deep-convolutional-neural-networks/

https://academic.oup.com/mnras/article/464/4/4463/2417400