コンピューター ビジョンは、物理学、コンピューター サイエンス、電気工学などの分野の知識を組み合わせた学際的な分野です。その主な目標は、人間の視覚スキルを再現できるアルゴリズムとシステムを開発することです。コンピュータ ビジョンに最も密接に関連する分野は、画像処理、画像解析、マシン ビジョンです。
コンピューター ビジョンのコア アプリケーションは、歴史的に医療、自動車、および農業業界で行われてきました。これは主に、これらのシステムの開発と展開に必要な多額の投資が原因です。過去 8 年間で、状況は劇的に変化しました。参入障壁が低下し、オープンソース ライブラリが急増しました。現在、低所得国の学生や専門家は、大量のコンピューター ビジョン リソースにアクセスでき、短期間で影響力の大きいアプリケーションを開発できます。
観測天文学は、観測可能な宇宙に関するデータの記録に関係する天文学の一部門です。地上の望遠鏡と宇宙望遠鏡は、惑星や遠方の銀河を観察するために毎晩使用されます。専用の望遠鏡機器が生データを収集し、リモート サーバーに保存し、後で複数の画像処理および分析パイプラインを使用して処理します。
天体画像の処理に関連する通常のタスクは、体系的な影響の除去、点源の検出、および画像の強調です。これらのタスクは、IRAF や Astropy などのライブラリなどのいくつかのアプリケーションで利用でき、天文学者やエンジニアによって日常的に使用されています。
今日では、データ取得および処理タスクのほとんどが完全に自動化されています。コミュニティは、自由に利用でき、望遠鏡、大学、学界外で働く専門家が簡単に使用できるいくつかのデータ削減パイプラインとフレームワークを開発しました。
スローン デジタル スカイ サーベイ (SDSS) は、これまでに実施された最大の天文調査であり、約 5 億の情報源を含むカタログを作成しています。データセット全体の重量は 100 TB を超え、天空の 3 分の 1 の画像、スペクトル、カタログが含まれています。データの削減とデータの分析は、当初、米国のいくつかの大学や研究機関の天文学者、データ サイエンティスト、およびエンジニアによって開発されたカスタマイズされたパイプラインを使用して行われ、その後、世界中の専門家によって拡張されました。
データの削減と準備は、ほとんどが従来の画像処理方法を使用して行われますが、データ分析と視覚化の分野にはまだ多くの改善の余地があります。コンピューター ビジョンは、天文学におけるビッグ データの分析を促進し、宇宙の構造と現象の発見を加速するための有望なソリューションのように見えます。ただし、これは簡単な作業ではありません。異なる分野（学際性）からの新しい方法や技術の導入は遅く、通常、最先端から数年遅れています。この理由は 2 つの要因によって説明できます。第二の要因は、知識が成熟し、十分に発達した後、他の分野に広がることです。例として、コンピューター サイエンスの分野で開発されたコンピューター ビジョン技術があります。これは、機械学習または深層学習に関連しており、開発から 4～5 年後に天体物理学に到達します。コンピューター ビジョン/ディープ ラーニング/機械学習に関連する論文の数は 300 未満であり、ディープ ラーニング、Faster-CNN、SSD などの概念は、2017 年から 2018 年にかけて論文に登場したばかりです。
この文脈において、AstroCV リポジトリは、コンピューター ビジョンから天体物理学への知識の伝達におけるこの時間の遅延を短縮するための取り組みへの参加を呼びかけているようです。特に現在、コンピューター ビジョンの知識が圧倒的に増加し、新しい開発フレームワークと安価な GPU コンピューティングへのアクセスが増加しています。
AstroCV イニシアチブの一環として、最先端の SSD ニューラル ネットワーク フレームワーク (Darknet) を使用して銀河検出および識別モデルをトレーニングし、さまざまなフィルターからの画像に対してこれを堅牢にする新しいデータ拡張手順を開発し、楽器。トレーニング セットは、Galaxy Zoo データベースから構築され、楕円銀河、渦巻銀河、エッジオン銀河、合体銀河の分類が含まれています。どのモデル トレーニング シナリオでも、データ拡張は非常に重要です。小さなトレーニング セットの結果を改善し、さまざまな条件でモデルの信頼性を高めるのに役立ちます。特に、天文画像は複数のフィルターで取り込まれ、各ピクセルの生の CCD データを含む FITS 形式で撮影されます。次に、FITS から RGB 画像へのデータ変換は一意ではなく、望遠鏡のカメラ、バンド フィルター、縮小スキーマ、およびフォトン カウントをカラー スケールにスケーリングするために使用される変換方法。
SDSS 機器のみからのトレーニング セットを使用したことを考慮して、同じオブジェクトに対するいくつかの色変換方法を含むデータ拡張スキーマを作成しました。これにより、異なる望遠鏡/機器からの画像の検出が大幅に改善されました。図 3 では、再現率 90% に達した SDSS からの画像の結果を示しています。ただし、さまざまなカラー フィルターや望遠鏡で撮影した画像の場合、結果はそれほど良くなく、パフォーマンスが 20% のリコール パフォーマンスにまで低下する可能性があります。データ拡張手順を含めると、最大 3 倍のリコール結果が得られます。図 4 に、ハッブル ディープ フィールドから取得した画像の結果を示します。
Roberto Gonzalez と Roberto Muñoz は元天文学者で、チリの会社 MetricArts のコンピューター ビジョン業界に異動したため、天体物理学、コンピューター サイエンス、および業界間の知識の伝達が彼らにとって日常的なプロセスになっています。彼らは、テクノロジー業界と学者の間の学際性とコラボレーションが、コンピューター ビジョンと AI の分野をリードするための基本であると考えています。ただし、特に発展途上国では、学際性と知識移転の価値が低い伝統的なアカデミーや伝統的な産業からの考え方の変化が必要です。
参考文献:
<オール>
