Detecting interstellar bubbles in images using CNNs
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Ανδριανοπούλου, Χριστίνα - Στυλιανή | |
| dc.contributor.author | Andrianopoulou, Christina - Styliani | |
| dc.date.accessioned | 2025-07-16T10:02:07Z | |
| dc.date.available | 2025-07-16T10:02:07Z | |
| dc.date.issued | 2025-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17963 | |
| dc.description.abstract | Αστέρες που βρίσκονται στο πρώιμο στάδιο εξέλιξης τους δημιουργούν φυσαλίδες αστρικών ανέμων με συχνά ακανόνιστα σχήματα, με αποτέλεσμα η ανίχνευσή τους να είναι χρονοβόρα και επιρρεπής σε ανθρώπινη μεροληψία. Σε αυτή την εργασία παρουσιάζουμε έναν αλγόριθμο για τη δημιουργία και εκπαίδευση ενός Συνελικτικού Νευρωνικού Δικτύου (ΣΝΔ) που εντοπίζει αυτά τα αστρικά αντικείμενα που οι αστρονόμοι ορίζουν ως Κοσμικές Φυσαλίδες, χρησιμοποιώντας αναγνώριση εικόνας. Οι φυσαλίδες αυτές έχουν αποτελέσει εδώ και καιρό αντικείμενο έρευνας καθώς έχουν παρατηρηθεί να δρουν ως περιβάλλον που φιλοξενεί σχηματισμούς νέων αστέρων αλλά και επειδή είναι οπτικά διακριτές. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση, ιδιαίτερα στα ΣΝΔ, έχουν ευνοήσει μια πιο αυτοματοποιημένη προσέγγιση για την ανίχνευση αυτών των δομών με βελτιωμένη αποτελεσματικότητα και ακρίβεια. Στη παρούσα εργασία παρουσιάζουμε ένα μοντέλο ΣΝΔ με αρχιτεκτονική υπολειπόμενου U-Net νευρωνικού δικτύου, εκπαιδευμένο με βάση τα δεδομένα του Milky Way Project από το τηλεσκόπιο Spitzer, πετυχαίνοντας ανίχνευση φυσαλίδων με ακρίβεια 91% και ψευδοθετικό ποσοστό σχεδόν 1%, ενώ εξάγει την τοποθεσία και τις σχηματικές παραμέτρους τους. | el |
| dc.format.extent | 38 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Detecting interstellar bubbles in images using CNNs | el |
| dc.title.alternative | Ανίχνευση κοσμικών φυσαλίδων σε εικόνες με χρήση ΣΝΔ | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Early-type stars create stellar-wind bubbles often with irregular shapes, causing their detection to be both time-consuming and prone to human biases. In this dissertation, we present a program to create and train a Convolutional Neural Network (CNN) to detect these stellar objects which are termed Interstellar Bubbles by astronomers, using image detection. These bubbles have been areas of interest for a while as they have been observed to be a hosting environment for star formation and because they are visually distinct. Recent advances in deep learning, particularly CNNs, have allowed an automated approach to detect these structures with improved efficiency and accuracy. Here we present a CNN model with a Residual U-Net architecture, trained on the Milky Way Project data from Spitzer telescope, that identifies bubbles with 91% accuracy and nearly 1% false positive rate and outputs their location and shape parameters. | el |
| dc.subject.keyword | ISM Bubbles | el |
| dc.subject.keyword | Convolutional Neural Network | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Image segmentation | el |
| dc.date.defense | 2025-06-18 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα