A Computer Vision Application for Galaxy Detection
Το Computer Vision είναι ένα διεπιστημονικό πεδίο που συνδυάζει γνώσεις από κλάδους όπως η Φυσική, η Επιστήμη Υπολογιστών και η Ηλεκτρολογία. Ο κύριος στόχος του είναι να αναπτύξει αλγόριθμους και συστήματα ικανά να αναπαράγουν δεξιότητες ανθρώπινης όρασης. Τα πεδία που σχετίζονται περισσότερο με την όραση υπολογιστή είναι η επεξεργασία εικόνας, η ανάλυση εικόνας και η μηχανική όραση.
Οι βασικές εφαρμογές της όρασης υπολογιστών ήταν ιστορικά στους κλάδους της υγείας, της αυτοκινητοβιομηχανίας και της γεωργίας, κυρίως λόγω των μεγάλων επενδύσεων που απαιτούνται για την ανάπτυξη και την εγκατάσταση αυτών των συστημάτων. Τα τελευταία 8 χρόνια, η κατάσταση έχει αλλάξει δραματικά:τα εμπόδια εισόδου έχουν μειωθεί και οι βιβλιοθήκες ανοιχτού κώδικα έχουν πολλαπλασιαστεί. Σήμερα, φοιτητές και επαγγελματίες από χώρες χαμηλού εισοδήματος έχουν πρόσβαση σε μια μεγάλη στοίβα πόρων υπολογιστικής όρασης και μπορούν να αναπτύξουν εφαρμογές υψηλού αντίκτυπου σε σύντομα χρονικά διαστήματα.
Η Παρατηρητική αστρονομία είναι ένα τμήμα της αστρονομίας που ασχολείται με την καταγραφή δεδομένων σχετικά με το παρατηρήσιμο Σύμπαν. Τα επίγεια και διαστημικά τηλεσκόπια χρησιμοποιούνται κάθε νύχτα για την παρατήρηση πλανητών και μακρινών γαλαξιών. Εξειδικευμένα όργανα τηλεσκοπίων συλλέγουν ακατέργαστα δεδομένα που αποθηκεύονται σε απομακρυσμένους διακομιστές και στη συνέχεια υποβάλλονται σε επεξεργασία χρησιμοποιώντας διάφορους αγωγούς επεξεργασίας και ανάλυσης εικόνας.
Οι συνήθεις εργασίες που σχετίζονται με την επεξεργασία αστρονομικών εικόνων είναι η συστηματική αφαίρεση εφέ, η ανίχνευση σημειακής πηγής και η βελτίωση της εικόνας. Αυτές οι εργασίες είναι διαθέσιμες σε πολλές εφαρμογές, όπως το IRAF και βιβλιοθήκες όπως το Astropy, και χρησιμοποιούνται συνήθως από αστρονόμους και μηχανικούς.
Σήμερα, οι περισσότερες εργασίες απόκτησης και επεξεργασίας δεδομένων είναι πλήρως αυτοματοποιημένες. Η κοινότητα έχει αναπτύξει αρκετούς αγωγούς και πλαίσια μείωσης δεδομένων που είναι ελεύθερα διαθέσιμα και μπορούν εύκολα να χρησιμοποιηθούν από επαγγελματίες που εργάζονται σε τηλεσκόπια, πανεπιστήμια και εκτός του ακαδημαϊκού χώρου.
Η Έρευνα Ψηφιακού Ουρανού Sloan (SDSS) είναι η μεγαλύτερη αστρονομική έρευνα που έχει πραγματοποιηθεί ποτέ, παράγοντας έναν κατάλογο που περιέχει περίπου 500 εκατομμύρια πηγές. Ολόκληρο το σύνολο δεδομένων ζυγίζει περισσότερο από 100 TB και περιλαμβάνει εικόνες, φάσματα και καταλόγους από το ένα τρίτο του ουράνιου ουρανού. Η μείωση των δεδομένων και η ανάλυση των δεδομένων έγιναν αρχικά με χρήση προσαρμοσμένων σωλήνων που αναπτύχθηκαν από αστρονόμους, επιστήμονες δεδομένων και μηχανικούς από διάφορα πανεπιστήμια και ινστιτούτα στις ΗΠΑ, και αργότερα επεκτάθηκε από επαγγελματίες από όλο τον κόσμο.
Αν και η μείωση και η προετοιμασία των δεδομένων γίνεται κυρίως με τη χρήση κλασικών μεθόδων επεξεργασίας εικόνας, υπάρχει ακόμη πολύς χώρος για βελτιώσεις στους τομείς της ανάλυσης και της οπτικοποίησης δεδομένων. Η όραση υπολογιστή μοιάζει με μια πολλά υποσχόμενη λύση για τη διευκόλυνση της ανάλυσης των μεγάλων δεδομένων στην Αστρονομία και για την επιτάχυνση της ανακάλυψης δομών και φαινομένων στο Σύμπαν. Ωστόσο, αυτό δεν είναι εύκολο έργο. η εισαγωγή νέων μεθόδων ή τεχνικών που προέρχονται από διαφορετικούς τομείς (διεπιστημονικότητα) είναι αργή και συνήθως καθυστερεί αρκετά χρόνια από την τελευταία λέξη της τεχνολογίας. Ο λόγος για αυτό μπορεί να εξηγηθεί από δύο παράγοντες:ο ένας είναι ότι δεν υπάρχουν διεπιστημονικοί επιστήμονες που φέρνουν γνώση από άλλους τομείς. ο δεύτερος παράγοντας είναι ότι η γνώση εξαπλώνεται σε άλλους τομείς αφού γίνει ώριμη και καλά ανεπτυγμένη. Για παράδειγμα, έχουμε τεχνικές όρασης υπολογιστών που αναπτύχθηκαν στον τομέα της Επιστήμης Υπολογιστών, οι οποίες σχετίζονται με τη μηχανική ή βαθιά μάθηση, φτάνουν στην Αστροφυσική ~4-5 χρόνια μετά την ανάπτυξή τους και μπορεί εύκολα να φανεί μετρώντας τα Ο αριθμός των έντυπων δημοσιεύσεων που σχετίζονται με την όραση υπολογιστών/βαθιά μάθηση/μηχανική μάθηση, οι οποίες είναι λιγότερες από 300, και έννοιες όπως το Deep Learning, το Faster-CNN και το SSD έχουν μόλις εμφανιστεί στις εφημερίδες από το ~2017-2018.
Σε αυτό το πλαίσιο, το αποθετήριο AstroCV φαίνεται να είναι μια πρόσκληση να ενωθούν οι προσπάθειες για τη μείωση αυτής της χρονικής καθυστέρησης στη μεταφορά γνώσης από το Computer Vision στην Αστροφυσική, ειδικά τώρα με τη συντριπτική ανάπτυξη της γνώσης στο Computer Vision και την πρόσβαση σε νέα πλαίσια ανάπτυξης και φθηνότερη υπολογιστική GPU ισχύς.
Ως μέρος της πρωτοβουλίας AstroCV, εκπαιδεύουμε ένα μοντέλο ανίχνευσης και αναγνώρισης γαλαξιών χρησιμοποιώντας το υπερσύγχρονο πλαίσιο νευρωνικών δικτύων SSD (Darknet) και αναπτύσσουμε μια νέα διαδικασία αύξησης δεδομένων για να το κάνουμε αυτό ανθεκτικό σε εικόνες που προέρχονται από διαφορετικά φίλτρα και όργανα. Το εκπαιδευτικό σετ είναι κατασκευασμένο από τη βάση δεδομένων Galaxy Zoo, με ταξινόμηση ελλειπτικών, σπειροειδών, άκρων και συγχωνευμένων γαλαξιών. Η αύξηση δεδομένων είναι πολύ σημαντική για οποιοδήποτε σενάριο εκπαίδευσης μοντέλου. Βοηθά στη βελτίωση των αποτελεσμάτων των μικρών σετ προπόνησης και στη βελτίωση της αξιοπιστίας των μοντέλων σε διαφορετικές συνθήκες. Συγκεκριμένα, οι εικόνες αστρονομίας λαμβάνονται σε πολλαπλά φίλτρα και σε μορφή FITS με ακατέργαστα δεδομένα CCD για κάθε pixel, στη συνέχεια η μετατροπή δεδομένων από FITS σε εικόνα RGB δεν είναι μοναδική και εξαρτάται από την κάμερα του τηλεσκοπίου, τα φίλτρα ζώνης, το σχήμα μείωσης και μέθοδος μετατροπής που χρησιμοποιείται για την κλίμακα μέτρησης φωτονίων σε κλίμακα χρώματος.
Δημιουργήσαμε ένα σχήμα αύξησης δεδομένων που περιλαμβάνει πολλές μεθόδους μετατροπής χρώματος στα ίδια αντικείμενα, με αποτέλεσμα μια σημαντική βελτίωση στην ανίχνευση εικόνων που προέρχονται από διαφορετικά τηλεσκόπια/όργανα, λαμβάνοντας υπόψη ότι χρησιμοποιήσαμε ένα σετ εκπαίδευσης μόνο από όργανο SDSS. Στο Σχήμα 3, δείχνουμε αποτελέσματα για εικόνες από SDSS που φτάνουν σε αναλογία ανάκλησης 90%. Ωστόσο, για εικόνες που λαμβάνονται από διαφορετικά χρωματικά φίλτρα και τηλεσκόπιο, τα αποτελέσματα δεν είναι τόσο καλά και η απόδοση μπορεί να μειωθεί ακόμη και στο 20% της απόδοσης ανάκλησης. Συμπεριλαμβανομένης της διαδικασίας αύξησης δεδομένων, έχουμε έως και 3 φορές καλύτερα αποτελέσματα ανάκλησης. Στο Σχήμα 4, δείχνουμε αποτελέσματα για μια εικόνα που έχει ληφθεί από το Βαθύ Πεδίο του Hubble.
Ο Roberto Gonzalez και ο Roberto Muñoz ήταν πρώην αστρονόμοι και μετακόμισαν στη βιομηχανία όρασης υπολογιστών για μια εταιρεία MetricArts της Χιλής, επομένως η μεταφορά γνώσης μεταξύ της Αστροφυσικής, της Επιστήμης Υπολογιστών και της Βιομηχανίας έχει γίνει μια καθημερινή διαδικασία για αυτούς. Πιστεύουν ότι η διεπιστημονικότητα και η συνεργασία μεταξύ της τεχνολογικής βιομηχανίας και των ακαδημαϊκών είναι θεμελιώδεις για την ηγεσία στους τομείς του Computer Vision και της AI. Ωστόσο, απαιτεί αλλαγή σκέψης από μια παραδοσιακή ακαδημία και από την παραδοσιακή βιομηχανία, όπου η διεπιστημονικότητα και η μεταφορά γνώσης έχουν χαμηλή αξία, ειδικά σε λιγότερο ανεπτυγμένες χώρες.
Αναφορές:
- Δυνατότητα μείωσης και ανάλυσης εικόνας http://iraf.noao.edu/
- http://www.astropy.org/
- https://www.sdss.org/
- https://github.com/astroCV
- https://www.galaxyzoo.org
- www.metricarts.com
