Galaxy segmentation using U-Net deep-learning algorithm

Abstract

La automatización en la segmentación de imágenes es crucial para estudiar la morfología de galaxias en relevamientos de gran escala. En este trabajo utilizamos el conjunto de datos de Galaxy Zoo 3D para entrenar una serie de redes neuronales convolucionales capaces de detectar brazos espirales en imágenes de galaxias. Se contruyeron seis modelos de aprendizaje profundo según el diferente grado de confianza que se tiene para la región marcada como brazo. Utilizamos redes neuronales con arquitectura U-Net, capaces de generar máscaras binarias de brazos espirales con un alto grado de precisión. Esto permite, no solo identificar qué galaxias tienen brazos espirales, sino también ubicarlos a nivel de los píxeles que ocupan y medir su tamaño relativo para seis grados de certeza distintos.

Automation in image segmentation is crucial to study the morphology of galaxies from large-scale surveys. In this work we use the Galaxy Zoo 3D dataset to train a series of convolutional neural networks for spiral arms detection in galaxy images. Six different deep-learning models were built according to the levels of confidence for the region marked as an arm. Using an architecture called U-Net, we trained an algorithm capable of generating spiral arms binary masks over a new set of images with high precision. This allows, not only to identify which galaxies have spiral arms, but to easily position the pixels from the spiral arms and measure their relative size for six different degrees of certainty.