Búsqueda · 34 momentos en 16 episodios
María RibesFrancis VillatoroHéctor SocasSara RobiscoGastón Giribetredes neuronales profundas nature astronomyeliminación de ruido imágenes astronómicasautoencoders en astronomíaNature AstronomySara RobiscoColacaoHéctor SocasNoise to NoiseUNED
Redes Neuronales para analizar datos Astrofísicos
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20255 momentos
Con
0:000:301:001:302:002:303:11
Héctor Socas introduce un nuevo tema relacionado con un artículo científico publicado en Nature Astronomy sobre el uso de redes neuronales profundas para mejorar imágenes astronómicas.
…este rato; he disfrutado mucho con vosotros. Te despedimos, ya te llamarán para el finiquito. Muy bien, voy a poner una caja de cartón para llevarme mis cosas. Un abrazo a YouTube también. Un abrazo a todos, ¿eh? Chao, chao, chao. Un abrazo, hasta la próxima. Bueno, pues vamos con el siguiente tema, voy a apuntarme aquí, bueno, da igual, lo vamos introduciendo primero El siguiente tema, Sara, es un paper que tú encontraste en Nature Astronomy sobre el uso de redes neuronales profundas para, aquí está, de unos autores chinos para mejorar las imágenes en astronomía, ¿verdad? Exacto, para eliminar ruido y dices, vamos a ver, un paper de Nature, para eliminar ruido en imágenes astronómicas, dices, claro, te saltan todas las alarmas y dices, pero si esto ya está inventado, chiquillos, ¿qué haces? Esto es como el Colacao, esto ya tiene mucho, esto más viejo que pan de molde Claro, ya tenemos autoencoders, ¿qué más quieres? ¿Qué es lo más bonito del mundo? Bueno, pues resulta que cuando lo lees por primera vez te choca y dices, Dios mío, ¿qué es esto que Estoy leyendo. ¿Cuando le das una vueltita te das cuenta de que igual sí que tienes un miguilla? ¿Por qué? Porque ellos aquí lo que plantean es una cosa que no habíamos tenido en cuenta. Cuando nosotros filtramos las imágenes de ruido con métodos no…
Significado #1
Héctor Socas introduce un nuevo tema relacionado con un artículo científico publicado en Nature Astronomy sobre el uso de redes neuronales profundas para mejorar imágenes astronómicas.
Habla: Sara RobiscoSignificado #1redes neuronales profundas nature astronomyeliminación de ruido imágenes astronómicasautoencoders en astronomía…este rato; he disfrutado mucho con vosotros. Te despedimos, ya te llamarán para el finiquito. Muy bien, voy a poner una caja de cartón para llevarme mis cosas. Un abrazo a YouTube también. Un abrazo a todos, ¿eh? Chao, chao, chao. Un abrazo, hasta la próxima. Bueno, pues vamos con el siguiente tema, voy a apuntarme aquí, bueno, da igual, lo vamos introduciendo primero El siguiente tema, Sara, es un paper que tú encontraste en Nature Astronomy sobre el uso de redes neuronales profundas para, aquí está, de unos autores chinos para mejorar las imágenes en astronomía, ¿verdad? Exacto, para eliminar ruido y dices, vamos a ver, un paper de Nature, para eliminar ruido en imágenes astronómicas, dices, claro, te saltan todas las alarmas y dices, pero si esto ya está inventado, chiquillos, ¿qué haces? Esto es como el Colacao, esto ya tiene mucho, esto más viejo que pan de molde Claro, ya tenemos autoencoders, ¿qué más quieres? ¿Qué es lo más bonito del mundo? Bueno, pues resulta que cuando lo lees por primera vez te choca y dices, Dios mío, ¿qué es esto que Estoy leyendo. ¿Cuando le das una vueltita te das cuenta de que igual sí que tienes un miguilla? ¿Por qué? Porque ellos aquí lo que plantean es una cosa que no habíamos tenido en cuenta. Cuando nosotros filtramos las imágenes de ruido con métodos no…
Sara Robisco explica un problema que surge al intentar mejorar imágenes astronómicas utilizando redes neuronales, señalando la dificultad de entrenar los modelos cuando las imágenes originales contienen ruido desconocido.
Habla: Sara RobiscoSignificado #3redes neuronales imágenes astronómicasruido desconocido sensores telescopiosimagen limpia inexistente astronomíaautoencoder imagen original sin ruidored neuronal noise to noiseinvestigadores universidad nedredes neuronales convolucionales u…te das cuenta de que igual sí que tienes un miguilla? ¿Por qué? Porque ellos aquí lo que plantean es una cosa que no habíamos tenido en cuenta. Cuando nosotros filtramos las imágenes de ruido con métodos no supervisados, lo que hacemos es tomamos una imagen. La metemos ruido adicional que generamos nosotros. Solo un conjunto de imágenes así con ruido generado. Ponemos a que la red entrene con ellas y comparamos los resultados de nuestro autoencoder con la imagen original sin el ruido. Dices, oye, ¿feitra bien o feitra mal? Muy bien, pero ¿qué pasa con las imágenes astronómicas? ¿Qué pasa cuando el ruido es un artefacto que introducen sensores? ¿Cuando el ruido es algo que no somos ni siquiera conscientes de ello? O sea, cuando no tenemos la imagen limpia de todo, en casos de imágenes astronómicas, en casos obtenidas por telescopios tanto terrestres como que están en el espacio. Tú tienes la imagen, pero tienes la imagen como te llega, con ruido; no lo puedes entrenar con imágenes limpias de todo porque esa imagen limpia de todo no existe porque tú no sabes si lo estás quitando bien de todo. Ellos dicen: ¿Qué pasa con esto? Ellos dicen que han creado una red neuronal llamada Noise to Noise y además es muy sencillita. ¿No os imaginéis algo muy tremendamente laborioso? Es una UNED, este tipo de redes neuronales es un tipo de red neuronal convolucional que hace una forma de U. ¿Para qué las usamos? Las UNED las usamos en medicina; son muy conocidas, muy usadas, tienen unos resultados estupendos; se usan en medicina para segmentar. ¿Qué te hace? ¿Qué es segmentar? Tú le metes imágenes de rayos X, le metes una imagen en 3D de una resonancia magnética y…
Sara Robisco explica cómo la modificación de la arquitectura de las redes neuronales convolucionales permite una mejor generalización en situaciones donde se dispone de pocos datos para el entrenamiento.
Habla: Sara RobiscoPalabras #8redes neuronales convolucionales generalizaciónpocos datos entrenamiento redes neuronalessesgos en conjuntos imágenes pequeñasarquitectura neuronal problemas entrenamiento…del entrenamiento la arquitectura de nuestra red es diferente no estás entrenando nunca la misma red la red cambia su arquitectura porque tienes capas que nos que pasa con esto o neuronas dentro de la capa que no usas o puedes hacer a nivel de capa o neuronal bueno qué pasa con esto que lo que consigues es es que tu red generaliza mucho mejor. Entonces, en casos en los que tú imagínate, tenemos muy poquitas imágenes para tratar o para investigar, para meter en nuestra red y entrenarla en conjuntos con pocas imágenes, pues una red convolucional normal o una red neuronal plantearía problemas por entrenamiento y sesgos. Entonces, es un problemón. Con este dropout quitas un poquito ese riesgo, de hecho ayuda bastante a quitar ese riesgo y permite que no caiga en esta falta de poder generalizar, en este sobreentrenamiento y funcione mejor. Entonces, con esto tan sencillo, pues han conseguido un poco el…
Héctor Socas reflexiona sobre un artículo científico publicado en Nature Astronomy, cuestionando su novedad tras considerar que las redes neuronales ya filtran ruido por defecto y comparándolo con una técnica básica.
Habla: Héctor SocasSignificado #16redes neuronales filtran ruidoartículo nature astronomy novedad cuestionadaentrenamiento sin modelos previos sarapaper héctor socas ejemplo…porque por alguna razón se nos quedó Francis fuera, que yo no sé por qué no estábamos contando contigo para esta semana; por algún lado se perdió un fallo del becario, se perdió algún correo por ahí, pero sí que estábamos hablando de este tema y bueno. Una de las cosas que hacen siempre las redes neuronales es filtrar ruido, es una cosa como que es casi que va incluida con el paquete; entonces hubo que darle un poco de vueltas al paper a ver por qué esto se publica en Nature Astronomy. ¿Qué tiene de novedoso y bueno? Es lo que ha explicado Sara de que se entrena sin tener modelos previos y tal, pero te voy a poner un ejemplo porque es que lo tengo aquí porque como es de un paper mío lo tengo. Aquí al lado y esto es de un artículo que publiqué con Andrés en 2023; creo que fue en Astronomy and Astrophysics. Iba sobre otra cosa, no iba sobre filtrar ruido, pero aquí puedes ver un ejemplo de imágenes solares: la imagen real observada y cómo queda…
Héctor Socas comenta sobre un artículo publicado en Nature Astronomy que utiliza una red neuronal para procesar imágenes solares, destacando que la eliminación del ruido es un subproducto y no el objetivo principal.
Habla: Héctor SocasSignificado #2red neuronal para imágenes solareseliminación del ruido como subproducto nature astronomyimpacto superior revistas astrofísica…en Astronomy and Astrophysics. Iba sobre otra cosa, no iba sobre filtrar ruido, pero aquí puedes ver un ejemplo de imágenes solares: la imagen real observada y cómo queda después de que la procese la red neuronal. Ves que la filtra todo el ruido que tiene. pero no era para eso, el propósito de la red no era filtrar el ruido, estaba haciendo otras cosas pero como subproducto, y de hecho solo mencionamos una frase, una frase en la que se dice, y bueno, como subproducto tenemos una imagen también más limpia de ruido porque, como digo, es algo que todo el mundo sabe, qué pasa cuando aplicas una red neuronal y entonces yo viendo este artículo digo, pero no solo que se publica sino que además se publica en Nature Astronomy que es una revista con un impacto superior al de las revistas especializadas de astrofísica, no es como el Nature principal pero está a mitad de camino y bueno, tenía su vuelta de tuerca nos costó, nos costó dudo bastante que esto, en fin, que un editor experto y un referido experto te lo hubiera publicado en esa revista a mí me parece que es un poco el efecto moda, de que ahora está muy de moda el aplicar inteligencia artificial a cualquier cosa y cualquier…