Aplicação de Deep Learning para classificação morfológica de galáxias.

Abstract

A classificação morfológica de galáxias desempenha um papel crucial na compreensão da origem e evolução do universo. Tradicionalmente conduzida por especialistas, a automação desse processo por meio de técnicas de aprendizado profundo surge como uma alternativa promissora. Neste estudo, foram comparados o desempenho de uma nova arquitetura proposta por Gharat e Dandawate (2022) e seis arquiteturas diferentes de redes neurais convolucionais: EfficientNetV2M, DenseNet121, ResNet50, AlexNet, VGG19 e VGG16. Além disso, para aprimorar os resultados, foram empregadas técnicas adicionais, como a classificação hierárquica e o ensemble learning. A análise foi realizada para classificar 21.785 amostras da base Sloan Digital Sky Survey em 10 classes morfológicas distintas. Por meio da aplicação de técnicas de transfer learning, a arquitetura EfficientNetV2-M apresentou uma acurácia de 82,90% nos testes. Já com a mesma técnica, combinada com o uso de data augmentation para balanceamento dos dados, a ResNet50 destacou-se, atingindo uma acurácia de 88,20% na base de teste. No entanto, a estratégia de ensemble learning superou esses resultados, alcançando uma acurácia de 85,53% com os dados desbalanceados e 91,75% com o balanceamento dos dados. Isso evidencia o ensemble learning como uma técnica promissora para aprimorar a classificação morfológica de galáxias, oferecendo uma abordagem eficaz e robusta para esse desafio complexo.