Classificação Melhorada da Morfologia das Galáxias com Redes Neurais Convolucionais

O aumento do volume de imagens e galáxias pesquisadas por projetos recentes e futuros consolida a necessidade de métodos de classificação automatizados impulsionados por IA que sejam precisos e escaláveis. Este artigo propõe um novo algoritmo baseado em uma arquitetura de rede neural personalizada para classificar galáxias a partir de levantamentos de espaço profundo. A rede neural convolucional (CNN) apresentada é treinada usando 10.000 imagens de galáxias obtidas do conjunto de dados Galaxy Zoo 2. Ela é projetada para categorizar galáxias em cinco classes distintas: completamente redondas e suaves, suaves intermediárias (que ficam entre completamente redondas e em forma de charuto), suaves em forma de charuto, de borda e espiral. O desempenho da CNN proposta é avaliado usando um conjunto de métricas, como precisão, exatidão, recall, F1 score e área sob a curva. Comparamos nossa solução com arquiteturas bem conhecidas, como ResNet-50, DenseNet, EfficientNet, Inception, MobileNet, e um modelo proposto para classificação de galáxias encontrado na literatura recente. Os resultados mostram uma taxa de precisão de 96,83%, superando algoritmos existentes.