Búsqueda · 33 momentos en 19 episodios
José EdelsteinFrancis VillatoroHéctor SocasGastón Giribetmachine learning distingue estrellas defectostransitorios beatriz clasificados como defectosred neuronal placas fotográficas antiguasalgoritmo machine learning clasifica estrellaslógica circular entrenamiento defecto placaovnis reconocidos como defectos placaalgoritmo diferencia imágenes estrellas artefactosdefectos identificados por algoritmo beatrizpcfs asociados a estrellasMachine LearningBeatriz VillarroelPCFsFrancis Villatoro
Machine Learning distingue Estrellas defectos
Con
0:000:301:001:302:002:303:003:17
Héctor Socas comenta sobre un artículo científico donde se utiliza Machine Learning para distinguir estrellas de defectos en placas fotográficas antiguas, y cómo este sistema clasifica los transitorios observados por Beatriz Villarroel como defectos.
…y cuánto de preciso es el seguimiento. Cuanto más grande, más pesado, más difícil es de que sea muy preciso el seguimiento. Entonces, bueno, a las estrellas les queda un poquito de ese alargamiento, ¿no? Mientras que estos puntos son totalmente redondos. Y, bueno, eso también es interesante. Y luego hay una parte en la que entrenan una red neuronal; utilizan Machine Learning para distinguir estrellas de defectos de placa y concluyen que todos los transitorios de Beatriz son clasificados por este clasificador como defectos de placa. Me gusta mucho porque realmente la forma en la que Lo han entrenado es un poco; tiene algo de lógica circular, es decir, ellos entrenan todo lo que no es como las estrellas: son defectos de placa, con lo cual evidentemente todo lo que no sean, no sé si me explico, que si hubiera ovnis de verdad te los reconocería el algoritmo como defectos de placa. O sea, el algoritmo está como diciendo: los PCFs asociados a estrellas y los PCFs asociados a ese tipo de manchitas, tipo artefacto, tienen ligeras diferencias que el algoritmo es capaz de identificar y diferenciar, y por eso los marca a todos como defectos. Exactamente, es justo eso. Entonces bueno, y luego lo que ha salido hace unos meses es una respuesta del grupo de Beatriz a esta crítica diciendo: Ellos también se dan cuenta que el clasificador de la red neuronal no tiene mucho sentido y el hecho de que sean más redondos que estrellas a ellos les gusta porque lo hacen más consistente con su idea de que son satélites y lo que ves es un reflejo puntual…
Significado #1 · Palabras #1
Héctor Socas comenta sobre un artículo científico donde se utiliza Machine Learning para distinguir estrellas de defectos en placas fotográficas antiguas, y cómo este sistema clasifica los transitorios observados por Beatriz Villarroel como defectos.
Habla: Héctor SocasSignificado #1 · Palabras #1machine learning distingue estrellas defectostransitorios beatriz clasificados como defectosred neuronal placas fotográficas antiguasalgoritmo machine learning clasifica estrellaslógica circular entrenamiento defecto placaovnis reconocidos como defectos placaalgoritmo diferencia imágenes estrellas artefactosdefectos identificados por algoritmo beatrizpcfs asociados a estrellas…y cuánto de preciso es el seguimiento. Cuanto más grande, más pesado, más difícil es de que sea muy preciso el seguimiento. Entonces, bueno, a las estrellas les queda un poquito de ese alargamiento, ¿no? Mientras que estos puntos son totalmente redondos. Y, bueno, eso también es interesante. Y luego hay una parte en la que entrenan una red neuronal; utilizan Machine Learning para distinguir estrellas de defectos de placa y concluyen que todos los transitorios de Beatriz son clasificados por este clasificador como defectos de placa. Me gusta mucho porque realmente la forma en la que Lo han entrenado es un poco; tiene algo de lógica circular, es decir, ellos entrenan todo lo que no es como las estrellas: son defectos de placa, con lo cual evidentemente todo lo que no sean, no sé si me explico, que si hubiera ovnis de verdad te los reconocería el algoritmo como defectos de placa. O sea, el algoritmo está como diciendo: los PCFs asociados a estrellas y los PCFs asociados a ese tipo de manchitas, tipo artefacto, tienen ligeras diferencias que el algoritmo es capaz de identificar y diferenciar, y por eso los marca a todos como defectos. Exactamente, es justo eso. Entonces bueno, y luego lo que ha salido hace unos meses es una respuesta del grupo de Beatriz a esta crítica diciendo: Ellos también se dan cuenta que el clasificador de la red neuronal no tiene mucho sentido y el hecho de que sean más redondos que estrellas a ellos les gusta porque lo hacen más consistente con su idea de que son satélites y lo que ves es un reflejo puntual…
Héctor Socas explica que los defectos observados en las placas fotográficas se concentran en los bordes, la zona más vulnerable donde se manipulan y sujetan para su uso en el telescopio.
Habla: Héctor SocasSignificado #13defectos placas fotográficas telescopiomanipulación zona vulnerable placasflexión placas para telescopio…norte donde está el cartografiado, ellos descartan la galaxia porque hay muchas fuentes ahí, y en todo lo demás los puntitos azules representan los 200 .000 transients que han encontrado y se ve claramente la forma de la malla, los bordes de las placas. Es decir, estos defectos están predominantemente en los bordes de las placas, que es justamente la zona más vulnerable; es por donde se manipula, es por donde se agarra, es por donde se aprieta cuando se flexiona para ponerla en el telescopio. Entonces aparecen predominantemente alrededor, en los bordes de las placas, lo cual nos da a entender que, hombre, no puedes demostrar que en concreto esos nueve sean de estos, pero que sí que hay un efecto importante de que los Transients aparecen predominantemente en los bordes de las placas, lo cual sugiere que el origen no es cósmico, sino que es tecnológico. No se puede descartar que los OVNIs tengan como si fueran rutas que coinciden con la posición de las bordas de las placas.…