prikaz prve stranice dokumenta Automated Classification of LSST Images Using Convolutional Neural Networks
Pristup korisnicima matične ustanove
diplomski rad
Automated Classification of LSST Images Using Convolutional Neural Networks
2021. urn:nbn:hr:194:924805
Mrakovčić, Karlo
Sveučilište u Rijeci
Fakultet za fiziku

Citirajte ovaj rad

Mrakovčić, K. (2021). Automated Classification of LSST Images Using Convolutional Neural Networks (Diplomski rad). Rijeka: Sveučilište u Rijeci. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:194:924805

Mrakovčić, Karlo. "Automated Classification of LSST Images Using Convolutional Neural Networks." Diplomski rad, Sveučilište u Rijeci, 2021. https://urn.nsk.hr/urn:nbn:hr:194:924805

Mrakovčić, Karlo. "Automated Classification of LSST Images Using Convolutional Neural Networks." Diplomski rad, Sveučilište u Rijeci, 2021. https://urn.nsk.hr/urn:nbn:hr:194:924805

Mrakovčić, K. (2021). 'Automated Classification of LSST Images Using Convolutional Neural Networks', Diplomski rad, Sveučilište u Rijeci, citirano: 20.04.2024., https://urn.nsk.hr/urn:nbn:hr:194:924805

Mrakovčić K. Automated Classification of LSST Images Using Convolutional Neural Networks [Diplomski rad]. Rijeka: Sveučilište u Rijeci; 2021 [pristupljeno 20.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:194:924805

K. Mrakovčić, "Automated Classification of LSST Images Using Convolutional Neural Networks", Diplomski rad, Sveučilište u Rijeci, Rijeka, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:194:924805

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:194:924805
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovAutomated Classification of LSST Images Using Convolutional Neural Networks
Naslov (hrvatski)Automatizirana klasifikacija LSST slika korištenjem konvolucijskih neuronskih mreža
AutorKarlo Mrakovčić
MentorDijana Dominis Prester (mentor)
MentorŽeljko Ivezić (komentor)
Član povjerenstvaRajka Jurdana-Šepić (predsjednik povjerenstva)
Član povjerenstvaDijana Dominis Prester (član povjerenstva)
Član povjerenstvaŽeljko Ivezić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
(Fakultet za fiziku)
Rijeka
Datum i država obrane2021-09-13, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
With its 3.2 gigapixel camera, the Vera Rubin observatory can produce images of up to 10 million changing celestial sources per night. Its first principal project, the Legacy Survey of Space and Time (LSST), will be a multi-band large-area time-domain astronomical survey. Because the data is impossible to classify and analyze in the conventional way, the telescope will need to take a different approach in order to generate quality scientific products. Because of the volume of data collected (20 TB each night), accurate data categorization and false positive detection automation must be created. Images of three types of sources were generated to approximate anticipated LSST images: ”stars,” ”trails,” and ”dipoles.” Unsupervised learning was utilized to automate the categorization of generated LSST images using a combination of convolutional autoencoder and Kmeans. Hyperparameter search was done on HPC Bura to explore hyperparameter space, and cMetric, a measure for evaluating different models, was devised. The accuracy of 91.2 percent was reached, presenting us with a promising tool that can be integrated one day into LSST pipeline.
Sažetak (hrvatski)
Sa svojom kamerom od 3,2 gigapiksela, opservatorij Vera Rubin može proizvesti do 10 milijuna slika u jednoj noći. Njegov prvi glavni projekt, Legacy Survey of Space and Time (LSST), bit ´ce višepojasni astronomski pregled neba na velikom području vremenske domene. Budući da je podatke nemoguće klasificirati i analizirati na konvencionalan način, obrada podataka će morati biti automatizirana, kako bi se generirali kvalitetni znanstveni rezultati. Zbog opsega prikupljenih podataka (20 TB svake noći), potrebno je stvoriti točnu kategorizaciju podataka i automatizaciju otkrivanja lažno pozitivnih podataka. Generirane su tri vrste slika, kako bi se to simuliralo: ”zvijezde”, ”staze” i ”dipoli”. Nenadzirano učenje korišteno je za automatiziranje kategorizacije generiranih LSST slika, pomoću kombinacije konvolucijskog autoenkodera i algoritma Kmeans. Na HPC Buri izvršeno je pretraživanje hiperparametara, u svrhu istraživanja hiperparametarskog prostora, a osmišljen je i cMetric, mjera za ocjenu različitih modela. Dostignuta je točnost od 91,2 posto koja predstavlja obećavajući alat kojeg će biti moguće integrirati u LSST sustav.
Ključne riječi
Jezikhrvatski
URN:NBNurn:nbn:hr:194:924805
Studijski programNaziv: Fizika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-10-21 08:59:52