Ricostruzione di mappe d’estinzione interstellare basata su machine learning non supervisionato

Giuseppe Angora (2016)

Abstract

In Astronomia le osservazioni producono immagini e/o spettri in cui risulta estremamente complesso identificare i vari tipi di oggetti con una sufficiente affidabilità e precisione, a causa del rapporto segnale/rumore particolarmente limitato. Ad aggravare ulteriormente il problema, contribuisce il fatto che le immagini astronomiche forniscono naturalmente una proiezione bidimensionale delle regioni di cielo, confondendone la prospettiva rispetto alla profondità, o distanza interstellare tra gli oggetti rivelati. In ambito astronomico è di particolare importanza il concetto di estinzione galattica o interstellare, una sorta di “effetto cataratta” naturale, forzatamente sovrapposto al sistema ottico osservativo, che diminuisce fortemente la nitidezza delle immagini osservate. Il principale scopo di questo lavoro consiste dunque nell’esplorazione originale di tecniche auto-adattive (machine learning non supervisionato) applicate all’image processing, con lo scopo di ottenere risultati scientifici quantomeno paragonabili alle tecniche tradizionali nella rivelazione dell’estinzione interstellare in immagini astronomiche. Il valore aggiunto deriva quindi dalla maggiore precisione nel circoscrivere regioni a densità di estinzione variabile e dall’eliminazione di qualunque meccanismo arbitrario di scelta di soglie di flusso e di conteggio delle regioni di estinzione.

Relatori:

  • Giuseppe Longo – Università degli studi di Napoli Federico II
  • Massimo Brescia – INAF OACN
Condividi