Evrişimli Sinir Ağlarıyla Galaksilerin Sınıflandırılması

• Published in: Turkish Journal of Astronomy and Astrophysics Vol. 4; no. 3; pp. 289 - 293
• Main Authors: ÜLGEN, Eyüp Kaan, ALİŞ, Sinan, YELKENCİ, Fuat Korhan, ÇAKIR, Oğuzhan, FİŞEK, Süleyman
• Format: Journal Article
• Language: English
• Published: 31.12.2023
• ISSN: 2757-7295; 2757-7295
• DOI: 10.55064/tjaa.1203800

Galaksilerin sınıflandırılması, onların oluşumlarını ve evrimlerini anlamak için atılan önemli bir adımdır. Son 20 yılda artan gökyüzü taramalarında elde edilen görüntülerdeki galaksilerin gözle sınıflandırılması neredeyse imkansız hale gelmiştir. Bu problem günümüzde parametre uzayında makine öğrenmesi, görüntü uzayında ise derin öğrenme yöntemleri ile kısmen çözülmektedir. Bu çalışmada, evrişimli sinir ağları (convolutional neural network - CNN) kullanılarak galaksiler sınıflandırılmıştır. Çalışmada kullanılan model, Galaxy Zoo-2 projesi kapsamında etiketlenmiş galaksilerin hem SDSS hem de DECals gökyüzü taramaları kapsamında elde edilen görüntüleri ile eğitilmiştir. Altı sınıf için SDSS verileri ile eğittiğimiz modelin doğruluk oranı (accuracy) \%84 olarak elde edilirken, aynı galaksilerin DECaLS görüntülerini kullanarak eğittimiz modelin doğruluk oranı ise \%87 olarak bulunmuştur. The classification of galaxies is a critical step in understanding their formation and evolution. The images obtained by the imaging surveys have been tremendously increased over the past 20 years. Thus, it nearly became difficult to classify galaxies visually. Today, machine learning in parameter space and deep learning in pixel space help to partially overcome this challenge. In this study, convolutional neural networks (CNN) were used to classify galaxies. The model employed in the study was trained using images of both SDSS and DECaLS surveys which have been labelled from the Galaxy Zoo-2 project. The model we trained for six classes using DECaLS images revealed an accuracy of 87\% while the model trained using SDSS images of the same galaxies resulted an accuracy of 84\%.