Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Un método de aprendizaje semisupervisado para la identificación de exposiciones incorrectas en estudios de imágenes a gran escala
Created by
Haebom
Autor
Yufeng Luo, Adam D. Myers, Alex Drlica-Wagner, Dario Dematties, Salma Borchani, Frank Valdés, Arjun Dey, David Schlegel, Rongpu Zhou, equipo de encuestas de imágenes heredadas de DESI
Describir
En este artículo, proponemos un sistema automatizado de inspección de calidad basado en aprendizaje automático para abordar la ineficiencia de la inspección de calidad de imágenes astronómicas realizada por humanos. Desarrollamos una secuencia de aprendizaje semisupervisado que integra el Transformador de Visión (ViT), entrenado mediante aprendizaje autosupervisado (SSL), y el clasificador k-Vecino Más Cercano (kNN) para la región de baja extinción ($E(BV)<0.04$) del Estudio Legado DECam (DECaLS). La secuencia se entrena y valida utilizando una pequeña cantidad de datos etiquetados de los datos de observación de la Cámara de Energía Oscura (DECam), y la eficiencia y precisión de la determinación de la calidad se verifican mediante análisis de agrupamiento. Al aplicarlo a los nuevos datos de imagen de DECaLS Data Release 11, se identifican y verifican 780 imágenes problemáticas mediante inspección visual. La metodología presentada en este estudio es eficiente y adaptable, y proporciona una solución escalable que puede aplicarse a la gestión de calidad de otros estudios de imágenes a gran escala.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un sistema automatizado basado en aprendizaje automático eficiente y escalable para el control de calidad de datos de imágenes astronómicas a gran escala.
◦
Proponemos un enfoque novedoso que combina el Transformador de Visión y el clasificador k-Vecino Más Cercano.
◦
Demostramos que identifica eficazmente imágenes de problemas del mundo real al aplicarlo a DECaLS Data Release 11.
◦
Proporciona una metodología generalizada que se puede aplicar a otros estudios de imágenes a gran escala.
•
Limitations:
◦
Dado que actualmente solo se aplica a datos en la región de baja extinción ($E(BV)<0.04$), se requiere la verificación del rendimiento de generalización en datos bajo otras condiciones.
◦
Dado que utilizamos una pequeña cantidad de datos etiquetados, podemos mejorar el rendimiento utilizando más datos etiquetados.
◦
Dado que está especializado para un estudio de imágenes astronómicas específico (DECaLS), es necesario revisar su aplicabilidad a otros tipos de datos de imágenes.
