Thesis:

Tensor Mask R-CNN: a tensor methods and deep learning approach to multi-band morphological segmentation and classification of galaxies

La clasificación de galaxias en función de su morfología es fundamental para la comprensión de la formación y evolución de estas. Esta clasificación en el contexto del creciente volumen de datos astronómicos ha motivado la aplicación de técnicas avanzadas de visión computacional. Destacan especialmente los resultados de modelos de Deep Learning que han mostrado resultados sobresalientes en la automatización de esta clasificación. Pero a pesar de los resultados satisfactorios, las arquitecturas utilizadas se han centrado en tareas específicas y no en un pipeline único. Este pipeline debe abordar la complejidad real del problema, por un lado está el hecho que los actuales modelos trabajan sobre imágenes (RGB) y no han modelado la riqueza de la información presente en las observaciones fotométricas multibanda. Por lo que es necesario enfoques que modelan las estructuras latentes no sólo a nivel de bandas individuales, si no también en la información que está distribuida en la tercera dimensión que puede ser wavelets o las relaciones entre bandas. El otro aspecto que se debe considerar en la implementación de un único pipeline que aborde las tareas de clasificación, localización y segmentación morfológica es el speed de estos modelos que son parte de él. Esto no solo considerando la velocidad de su procesamiento si no también su eficiencia computacional. Disponer de arquitecturas que consideren en su implementación la eficiencia computacional dado el volumen y dimensionalidad de los datos astronómicos es clave para el logro del objetivo. Para lograr estos desafío, proponemos Tensor Mask R-CNN un pipeline único de clasificación, localización y segmentación morfología de galaxias basado neuronales convolucionales regionales y la aplicación de métodos de álgebra tensorial sobre capas convolucionales del backbone de la red Mask R-CNN con el fin de acelerar esta arquitectura de Deep Learning.

In order to understand the formation and evolution of galaxies, it is essential to classify them according to their morphology. The growing volume of astronomical data has motivated the application of advanced computer vision techniques for this classification. It is particularly noteworthy that Deep Learning models have demonstrated outstanding results in the automation of this classification. Despite the satisfactory results, the architectures focused on specific tasks rather than a single pipeline. One of the challenges of this pipeline is the fact that it must address the real complexity of the problem, which on the one hand is the fact that current models are based on RGB images instead of multiband photometric observations which present a richer set of information. There is a need to model latent structures not only at the level of individual bands but also at the level of information distributed in the third dimension, such as wavelets or relationships between bands. In order to develop a single pipeline that addresses the tasks of classification, location, and morphological segmentation, the speed of these models must also be considered. In addition to its processing speed, it is also important to consider its computational efficiency. In order to achieve this objective, it is essential to design architectures that take computational efficiency into account in their implementation. This challenge is addressed by Tensor Mask R-CNN, a pipeline for regional convolutional neural-based galaxy morphology classification, localization, and segmentation, as well as the application of tensor algebra methods on the mask R-CNN backbone's convolutional layers to accelerate this deep learning architecture.