|
Abstract:
|
Em cenários onde grandes volumes de dados científicos demandam análise precisa e automatizada, torna-se essencial o desenvolvimento de métodos eficientes para a classificação e interpretação de informações visuais. Visando superar os desafios associados à classificação morfológica de galáxias, este trabalho propõe o desenvolvimento de um modelo computacional baseado em redes neurais convolucionais profundas. O método emprega arquiteturas consagradas de aprendizado profundo (AlexNet e ResNet152), utilizando técnicas de balanceamento de dados e data augmentation para lidar com a escassez e desbalanceamento de amostras em conjuntos de dados astronômicos. O sistema foi treinado e avaliado sobre um subconjunto balanceado da base Galaxy Zoo 2, com 1000 imagens por classe para treino e 300 para testes, totalizando 9 classes morfológicas. A avaliação comparativa evidenciou a superioridade da arquitetura ResNet152, que obteve acurácia máxima de 91,96% em testes, em contraste com os 76,48% alcançados pela AlexNet. Os resultados por classe revelaram elevada performance em categorias de estrutura definida (como galáxias elípticas e edge-on), e desempenho inferior em uma classe visualmente ambígua e menos representada como a irregular. De modo geral, os resultados demonstram a viabilidade do uso de redes profundas na análise morfológica automatizada de imagens astronômicas, mesmo sob restrições de recursos computacionais. |
