| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Site | mtc-m21c.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34R/3UME9F2 | |||
| Repositório | sid.inpe.br/mtc-m21c/2020/01.03.15.45 (acesso restrito) | |||
| Última Atualização | 2020:01.03.15.45.43 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2020/01.03.15.45.43 | |||
| Última Atualização dos Metadados | 2022:01.04.01.34.55 (UTC) administrator | |||
| DOI | 10.1016/j.ascom.2019.100334 | |||
| ISSN | 2213-1337 | |||
| Chave de Citação | BarchiCRSSMCGSM:2020:CoSt | |||
| Título | Machine and deep learning applied to galaxy morphology: a comparative study  | |||
| Ano | 2020 | |||
| Mês | Jan. | |||
| Data de Acesso | 09 maio 2024 | |||
| Tipo de Trabalho | journal article | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 5069 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Barchi, Paulo Henrique 2 Carvalho, Reinaldo Ramos de 3 Rosa, Reinaldo Roberto 4 Sautter, Rubens Andreas 5 Soares Santos, M. 6 Marques, B. A. D. 7 Clua, E. 8 Gonçalves, T. S. 9 Sá Freitas, C. de 10 Moura, T. C. | |||
| Identificador de Curriculo | 1 2 8JMKD3MGP5W/3C9JJ5B 3 8JMKD3MGP5W/3C9JJ5D | |||
| Grupo | 1 CAP-COMP-SESPG-INPE-MCTIC-GOV-BR 2 LABAC-COCTE-INPE-MCTIC-GOV-BR 3 LABAC-COCTE-INPE-MCTIC-GOV-BR 4 CAP-COMP-SESPG-INPE-MCTIC-GOV-BR | |||
| Afiliação | 1 Instituto Nacional de Pesquisas Espaciais (INPE) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Instituto Nacional de Pesquisas Espaciais (INPE) 4 Instituto Nacional de Pesquisas Espaciais (INPE) 5 Brandeis University 6 Universidade Federal Fluminense (UFF) 7 Universidade Federal Fluminense (UFF) 8 Universidade Federal do Rio de Janeiro (UFRJ) 9 Universidade Federal do Rio de Janeiro (UFRJ) 10 Universidade de São Paulo (USP) | |||
| Endereço de e-Mail do Autor | 1 paulo.barchi@inpe.br 2 3 reinaldo.rosa@inpe.br 4 rubens.sautter@inpe.br | |||
| Revista | Astronomy and Computing | |||
| Volume | 30 | |||
| Páginas | e100334 | |||
| Histórico (UTC) | 2020-01-03 15:47:06 :: simone :: 2019 -> 2020 2020-01-03 15:47:06 :: simone -> administrator :: 2020 2022-01-04 01:34:55 :: administrator -> simone :: 2020 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | Galaxies: photometry Methods: data analysis Machine learning Techniques: image processing Galaxies: General Catalogs | |||
| Resumo | Morphological classification is a key piece of information to define samples of galaxies aiming to study the large-scale structure of the universe. In essence, the challenge is to build up a robust methodology to perform a reliable morphological estimate from galaxy images. Here, we investigate how to substantially improve the galaxy classification within large datasets by mimicking human classification. We combine accurate visual classifications from the Galaxy Zoo project with machine and deep learning methodologies. We propose two distinct approaches for galaxy morphology: one based on non-parametric morphology and traditional machine learning algorithms; and another based on Deep Learning. To measure the input features for the traditional machine learning methodology, we have developed a system called CyMorph, with a novel non-parametric approach to study galaxy morphology. The main datasets employed comes from the Sloan Digital Sky Survey Data Release 7 (SDSS-DR7). We also discuss the class imbalance problem considering three classes. Performance of each model is mainly measured by Overall Accuracy (OA). A spectroscopic validation with astrophysical parameters is also provided for Decision Tree models to assess the quality of our morphological classification. In all of our samples, both Deep and Traditional Machine Learning approaches have over 94.5% OA to classify galaxies in two classes (elliptical and spiral). We compare our classification with state-of-the-art morphological classification from literature. Considering only two classes separation, we achieve 99% of overall accuracy in average when using our deep learning models, and 82% when using three classes. We provide a catalog with 670,560 galaxies containing our best results, including morphological metrics and classification. | |||
| Área | COMP | |||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção anterior à 2021 > LABAC > Machine and deep... | |||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Machine and deep... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| Idioma | en | |||
| Arquivo Alvo | barchi_machine.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Permissão de Leitura | deny from all and allow from 150.163 | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3ESGTTP 8JMKD3MGPCW/3F2PHGS | |||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2013/09.22.23.14 3 sid.inpe.br/mtc-m21/2012/07.13.14.58.48 1 sid.inpe.br/mtc-m21/2012/07.13.14.58.50 1 | |||
| Divulgação | SCOPUS | |||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||
| 6. Notas | ||||
| Campos Vazios | alternatejournal archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress project rightsholder schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||