2021年1月19日 机器视觉与计算机视觉技术

用于太空星系检测的计算机视觉应用

计算机视觉是一个跨学科领域,结合了物理、计算机科学和电气工程等学科的知识。其主要目标是开发能够再现人类视觉技能的算法和系统。与计算机视觉最密切相关的领域是图像处理、图像分析和机器视觉。

计算机视觉的核心应用历来在医疗保健,汽车和农业行业,主要是因为开发和部署这些系统所需的大量投资。在过去的8年中,情况发生了巨大变化:进入壁垒已经减少,开源图库也在激增。如今,来自低收入国家的学生和专业人士可以获得大量的计算机视觉资源,并可以在短时间内开发出高影响力的应用程序。

图1:计算机视觉的相关学科。

观测天文学是天文学的一个分支,它涉及记录有关可观测宇宙的数据。地面和太空望远镜每晚用于观测行星和遥远的星系。专用望远镜仪器收集存储在远程服务器中的原始数据,然后使用多个图像处理和分析通道进行处理。

与天文图像处理相关的常见任务是系统效应消除、点源检测和图像增强。这些任务可以在多个应用程序中使用,例如IRAF1和Astropy2等库,它们通常由天文学家和工程师使用。

如今,大部分的数据采集和处理任务都是全自动的。该社区开发了一些免费的数据缩减通道和框架,可以供望远镜、大学和学术界以外的专业人员轻松使用。

图2:这张地图展示了斯隆数字巡天在过去二十年中发现的一些天体图像。

斯隆数字巡天(SDSS3)是有史以来规模最大的天文调查,产生的目录包含大约5亿个来源。整个数据集的重量超过100 TB,它包括来自三分之一天体的图像、光谱和目录。数据的减少和数据分析最初是使用由美国几所大学和研究所的天文学家,数据科学家和工程师开发的定制管道完成的,后来由来自世界各地的专业人员进行扩展。

尽管数据缩减和准备主要是使用经典的图像处理方法完成的,但在数据分析和可视化领域仍有很大的改进空间。计算机视觉看起来是一个很有前景的解决方案,可以促进天文学中大数据的分析,并加速宇宙中结构和现象的发现。但是,这不是一件容易的事;来自不同领域(跨学科)的新方法或技术的引入是缓慢的,并且通常比现有技术延迟数年。造成这种情况的原因可能有两个因素:一个是没有可能从其他领域带来知识的跨学科科学家;第二个因素是知识在成熟和发展之后传播到其他领域。例如,我们在计算机科学领域开发了计算机视觉技术,它们与机器学或深度学习相关,在它们开发后4-5年就进入天体物理学,通过计算它可以很容易地看到它们。与计算机视觉/深度学习/机器学习相关的纸质出版物数量少于300个,深度学习,快速CNN和SSD等概念自2017-2018年以来才刚刚出现在论文中。

在这种情况下,AstroCV4存储库似乎是一个邀请加入努力,以减少从计算机视觉到天体物理学的知识转移的时间延迟,特别是现在随着计算机视觉和获取新的开发框架和更便宜的GPU计算的知识的大量增长功率。

作为AstroCV计划的一部分,我们使用最先进的SSD神经网络框架(Darknet)训练星系检测和识别模型,并且我们开发了一种新的数据增强程序,以便对来自不同滤波器和仪器。训练集由Galaxy Zoo5数据库构建,具有椭圆形,螺旋形,边缘形和合并星系的分类。数据增强对任何模型训练场景都非常重要;它有助于改善小型训练集的结果,并使模型在不同条件下更可靠。特别是,天文图像采用多个滤波器和FITS格式,每个像素都有原始CCD数据,然后从FITS到RGB图像的数据转换不是唯一的,取决于望远镜的相机,带通滤波器,缩小模式,以及用于将光子计数缩放到色标的转换方法。

我们在同一物体上制作了包括多种颜色转换方法的数据增强方案,从而在检测来自不同望远镜/仪器的图像时得到了重要改进,同时考虑到我们仅使用了SDSS仪器的训练集。在图3中,我们显示来自SDSS的图像的结果达到召回率为90%。但是,对于从不同滤色镜和望远镜拍摄的图像,结果不是那么好,性能可能下降到甚至20%的召回性能。包括我们的数据增强程序,我们可以获得高达3倍的召回结果。在图4中,我们显示了从哈勃深场拍摄的图像的结果。

图3:在典型的SDSS图像中使用我们的模型发现的星系。

图4:具有数据增强功能的哈勃深场图像中的星系。

Roberto Gonzalez和RobertoMuñoz以前是天文学家,并为智利公司MetricArts6转移到计算机视觉行业,因此天体物理学,计算机科学和工业之间的知识转移已成为他们的日常基础过程。 他们认为技术行业和学术界之间的跨学科和协作是引领计算机视觉和人工智能领域的基础。 然而,它需要改变传统学院和传统产业的思维方式,传统产业的跨学科性和知识转移价值较低,特别是在欠发达国家。

标签: in 计算机视觉
Banner
Related Posts

计算机视觉和图像处理之间有什么区别?

2018年8月9日

2018年8月9日

图像处理是计算机视觉的一个子集。计算机视觉系统利用图像处理算法对人体视觉进行仿真。例如,如果目标是增强图像以便以后使用,那么这可以称为图像处理。如果目标是识别物体、汽车自动驾驶,那么它可以被称为计算机视觉。

图像分类和目标检测技术有什么区别?

2020年5月20日

2020年5月20日

图像分类和目标检测技术是计算机视觉领域的重要研究方法。这些技术帮助机器理解和识别实时对象和环境,帮助数字图像作为输入。多年来,计算机视觉技术已经被应用于多个领域,包括医疗保健、制造业、零售业等等。

从摄像机到云端:计算机视觉如何将数据转化为行动

2020年1月8日

2020年1月8日

商业上的成功通常归结为根据突然的市场变化做出快速决策。计算机视觉(一种在AI领域中崛起的快速技术),可以帮助商用机构和其他企业才做到这一点。

用3D绘制世界地图使我们能够用增强现实描绘街道

2019年4月19日

2019年4月19日

如果我们要获得真实的,针对特定地点的AR或精确的机器人交付服务,那计算机需要获得精确的导航地图。

增强的机器人“视觉”能够与人类进行更自然的互动

2019年5月9日

2019年5月9日

在伦斯勒理工学院(Rensselaer Polytechnic Institute)的智能系统实验室里,一个名叫Pepper motors的机器人睁大了眼睛,说话轻声细语。其中一名研究人员对“小辣椒”进行了测试,当“小辣椒”准确描述自己在做什么的时候,它会做出各种各样的手势。当他交叉双臂时,机器人从他的肢体语言中识别出有什么不对劲。

基于田间高光谱图像和机器学习估计芒果成熟度的光谱滤波器设计

2019年8月15日

2019年8月15日

本文旨在通过模拟几个具有不同真实光学滤波器的成像设备,开发一种新型滤波器选择方法,并利用高成本成像高光谱设备为特定应用设计一种成本较低的多光谱解决方案。

研究人员发现用于3D视觉的神经元

2019年7月5日

2019年7月5日

英国纽卡斯尔大学的科学家在昆虫大脑中发现了计算3D距离和方向的神经元。了解这些可能有助于提高和发展机器人视觉应用。

为什么计算机视觉项目中选择OpenCV而不是MATLAB

2019年12月25日

2019年12月25日

在目前可用于计算机视觉的许多工具和库中,有两种主要的工具OpenCV和Matlab在速度和效率方面表现突出。在本文中,我们将详细介绍这两种方法。

最全分类!计算机视觉的图像标注类型及应用

2019年10月9日

2019年10月9日

计算机视觉的图像标注种类繁多,应用也不尽相同。想知道各种标注技术的效果吗?一起来看看它们在计算机视觉方面的应用和独特的案例吧!

机器学习和模式识别之间有什么区别?

2019年10月12日

2019年10月12日

模式识别是机器学习的工程应用。机器学习处理可以从数据中学习的系统的构建和研究,而不是仅遵循明确编程的指令,而模式识别是对数据中模式和规律性的识别。

计算机视觉的最佳图像注释平台

2019年5月10日

2019年5月10日

我们一直在寻找最佳的图像注释平台,该平台提供多种功能、项目管理工具和注释过程的优化(当您需要注释50k图像时,每个图像减少1秒钟!)。

英伟达Jetson Nano定位于大众市场机器学习

2019年3月20日

2019年3月20日

GPU巨头英伟达(Nvidia)发布了用于大众市场产品的微型人工智能电脑Jetson Nano。

神经科学与计算机视觉合作可以更好的理解视觉信息处理

2019年5月8日

2019年5月8日

神经科学家和计算机视觉科学家表示,一个空前庞大的新数据集将帮助研究人员更好地理解大脑是如何处理图像的。

图像处理中的深度学习技术

2018年8月9日

2018年8月9日

机器学习中的另一种技术是例如“超级矢量机”。与深度学习相比,必须手动定义和验证功能。在深度学习中,神经网络采用这一手动步骤:在训练过程中,独立地自动识别和提取特征。

掌握计算机视觉开发技能的8个步骤

2019年8月5日

2019年8月5日

在与几位致力于人工智能和计算机视觉项目的开发人员交谈之后,我提出了八个步骤,成为一名出色的计算机视觉开发人员。但是,在深入研究每个步骤之前,让我们看一下计算机视觉技术最适合的案例:

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注