CLASSIFICAÇÃO MORFOLÓGICA DE GALÁXIAS COM DEEP LEARNING NOS SURVEYS SDSS E S-PLUS
Galaxias;Classificação;Visão Computacional;Aprendizado de Maquina.
A classificação morfológica de galáxias em grandes levantamentos fotométricos é uma tarefa fundamental para estudos de evolução, porém computacionalmente desafiadora, especialmente no que tange à generalização de modelos de aprendizado profundo entre diferentes domínios de dados. Esta dissertação aborda este problema ao desenvolver e avaliar Redes Neurais Convolucionais (CNNs) para a classificação binária de galáxias (regulares vs. peculiares), com foco principal em quantificar o efeito de \textit{domain shift} entre o Sloan Digital Sky Survey (SDSS) e o Southern Photometric Local Universe Survey (S-PLUS). Utilizando a estratégia de aprendizado por transferência (\textit{transfer learning}), um benchmark de arquiteturas pré-treinadas, incluindo variantes das famílias EfficientNet, ResNet e Vision Transformer, foi conduzido. Os modelos foram treinados e validados com um dataset curado de imagens do SDSS, rotuladas a partir de classificações do catálogo RC3. O benchmark das arquiteturas no domínio do SDSS estabelece a performance de referência para a tarefa.
A avaliação subsequente do melhor modelo sobre os dados do S-PLUS quantifica a degradação de desempenho, fornecendo uma medida direta do impacto das diferenças instrumentais e de processamento entre os levantamentos.
Este trabalho contribui com um benchmark de modelos, um dataset público e uma análise rigorosa sobre a generalização \textit{cross-survey}, fornecendo subsídios para o desenvolvimento de classificadores morfológicos mais robustos e universais na era dos grandes levantamentos astronômicos.