컴퓨터 비전은 물리, 컴퓨터 과학 및 전기 공학과 같은 분야의 지식을 결합한 학제 간 분야입니다. 주요 목표는 인간 비전 기술을 재현 할 수있는 알고리즘과 시스템을 개발하는 것입니다. 컴퓨터 비전과 가장 밀접한 관련된 필드는 이미지 처리, 이미지 분석 및 기계 비전입니다.
컴퓨터 비전의 핵심 응용 프로그램은 역사적으로 의료, 자동차 및 농업 산업에서 이루어졌으며, 대부분 이러한 시스템의 개발 및 배포에 필요한 대규모 투자로 인해 발생했습니다. 지난 8 년 동안 상황이 급격히 바뀌 었습니다. 진입 장벽이 감소했으며 오픈 소스 라이브러리가 확산되었습니다. 오늘날, 저소득 국가의 학생과 전문가는 대규모 컴퓨터 비전 리소스에 접근 할 수 있으며 짧은 시간 내에 높은 충격 애플리케이션을 개발할 수 있습니다.
관찰 천문학은 관찰 가능한 우주에 대한 데이터를 기록하는 것과 관련된 천문학의 분열입니다. 지상 및 우주 망원경은 매일 매일 행성과 먼 은하를 관찰하는 데 사용됩니다. 특수 망원경 기기는 원격 서버에 저장된 원시 데이터를 수집하고 나중에 여러 이미지 처리 및 분석 파이프 라인을 사용하여 처리됩니다.
천문 이미지의 처리와 관련된 일반적인 작업은 체계적인 효과 제거, 포인트 소스 감지 및 이미지 향상입니다. 이 작업은 IRAF와 같은 여러 응용 프로그램 및 Astropy와 같은 도서관에서 사용할 수 있으며 천문학 자 및 엔지니어가 일상적으로 사용합니다.
.오늘날 대부분의 데이터 수집 및 처리 작업은 완전히 자동화됩니다. 커뮤니티는 망원경, 대학 및 외부 학계에서 일하는 전문가가 자유롭게 사용할 수 있고 쉽게 사용할 수있는 몇 가지 데이터 감소 파이프 및 프레임 워크를 개발했습니다.
SDSS (Sloan Digital Sky Survey)는 현재까지 실행 된 최대의 천문 조사로 약 5 억 개의 소스가 포함 된 카탈로그를 제작했습니다. 전체 데이터 세트의 무게의 무게는 100TB 이상이며 천체 하늘의 3 분의 1의 이미지, 스펙트럼 및 카탈로그가 포함됩니다. 데이터의 데이터 감소 및 분석은 초기에 천문학 자, 데이터 과학자 및 미국의 여러 대학 및 기관의 엔지니어가 개발 한 맞춤형 파이프 라인을 사용하여 수행되었으며 나중에 전 세계 전문가들에 의해 확장되었습니다.
데이터 감소 및 준비는 대부분 고전적인 이미지 처리 방법을 사용하여 수행되지만 데이터 분석 및 시각화 분야의 개선을위한 많은 공간이 여전히 많습니다. 컴퓨터 비전은 천문학에서 빅 데이터의 분석을 용이하게하고 우주에서 구조와 현상의 발견을 가속화하기위한 유망한 솔루션처럼 보입니다. 그러나 이것은 쉬운 일이 아닙니다. 다른 분야 (학제 간)에서 나오는 새로운 방법이나 기술의 도입은 느리고 일반적으로 최첨단에서 몇 년이 지연됩니다. 그 이유는 두 가지 요인으로 설명 될 수 있습니다. 하나는 다른 분야에서 지식을 가져 오는 학제 간 과학자가 없기 때문입니다. 두 번째 요소는 지식이 성숙하고 잘 발달 된 후 다른 분야로 퍼져 있다는 것입니다. 예를 들어, 우리는 컴퓨터 과학 분야에서 개발 된 컴퓨터 비전 기술을 가지고 있으며, 기계 또는 심도 윤리와 관련하여 4-5 년 후 천체 물리학에 도달하며 컴퓨터 비전/딥 러닝/머신 학습과 관련된 논문 출판물의 수를 쉽게 볼 수 있으며, 300 개 미만, 심층 학습, SSD와 같은 개념, 빠른 CNN, SSD는 단지 나타납니다. ~ 2017-2018.
이러한 맥락에서 AstroCV 저장소는 컴퓨터 비전에서 천체 물리학으로 지식 전송의 지연 지연을 줄이려는 노력에 참여하는 초대 인 것으로 보입니다. 특히 이제 컴퓨터 비전에 대한 지식의 압도적 인 성장과 새로운 개발 프레임 워크 및 저렴한 GPU 계산 능력에 대한 접근.
.AstroCV 이니셔티브의 일환으로, 우리는 최첨단 SSD 신경망 프레임 워크 (DARKNET)를 사용하여 갤럭시 탐지 및 식별 모델을 훈련시키고, 다양한 필터 및 기기에서 나오는 이미지에 대해 강력하게 만들기 위해 새로운 데이터 확대 절차를 개발합니다. 교육 세트는 갤럭시 동물원 데이터베이스에서 구축되었으며 타원, 나선형, 에지 온 및 병합 은하의 분류로 구축되었습니다. 데이터 확대는 모든 모델 교육 시나리오에 매우 중요합니다. 소규모 훈련 세트의 결과를 개선하고 다양한 조건에서 모델을보다 신뢰할 수 있도록 도와줍니다. 특히, 천문학 이미지는 여러 필터로 촬영되고 각 픽셀에 대한 원시 CCD 데이터가있는 형식으로 촬영되면 Fits에서 RGB 이미지로의 데이터 변환이 독특하지 않으며 망원경 카메라, 밴드 필터, 감소 스키마 및 광자 카운트를 색상 스케일로 확장하는 데 사용되는 변환 방법에 따라 다릅니다.
.우리는 동일한 객체에 대한 여러 색상 변환 방법을 포함한 데이터 증강 스키마를 생성하여 다른 망원경/기기에서 나오는 이미지에 대한 탐지가 중요한 개선을 가져 왔으며, 고려하여 SDSS 기기의 교육 세트를 사용했습니다. 그림 3에서, 우리는 90%의 리콜 비율에 도달 한 SDS의 이미지에 대한 결과를 보여줍니다. 그러나 다른 색상 필터와 망원경에서 찍은 이미지의 경우 결과가 좋지 않으며 성능은 20% 리콜 성능으로 줄어들 수 있습니다. 데이터 확대 절차를 포함하여 최대 3 배의 더 나은 리콜 결과를 얻습니다. 그림 4에서, 우리는 허블 딥 필드에서 찍은 이미지에 대한 결과를 보여줍니다.
Roberto Gonzalez와 Roberto Muñoz는 이전에 천문학 자였으며 칠레 회사 Metricarts를 위해 컴퓨터 비전 산업으로 옮겼으므로 천체 물리학, 컴퓨터 과학 및 업계 간의 지식 전달은 일일 기반 프로세스가되었습니다. 그들은 기술 산업과 학계 간의 학제 간 및 협력이 컴퓨터 비전과 AI 분야를 이끌어내는 데 기본적이라고 생각합니다. 그러나 전통적인 아카데미와 전통적인 산업에서 학제 간 및 지식 전달이 적은 가치가 낮은 전통적인 산업, 특히 덜 선진국에서는 생각의 변화가 필요합니다.
참조 :
- 이미지 감소 및 분석 시설 http://iraf.noao.edu/
- http://www.astropy.org/
- https://www.sdss.org/
- https://github.com/astrocv
- https://www.galaxyzoo.org
- www.metricarts.com
