Morphological classification of galaxies from the SDSS using machine learning techniques

Abstract

[Abstract]: This thesis investigates automated galaxy morphological classification using machine learning, progressing from basic convolutional neural networks to advanced hierarchical architectures. Four models are developed and evaluated on the Galaxy Zoo 2 dataset, each addressing limitations of the previous model. The first CNN (Model 1) establishes baseline performance benchmarks for five-class classification, followed by a hierarchical dual-model approach (Model 2) and confidence-aware classification (Model 3). The final contribution (Model 4) is a hierarchical vector-based multi-model system that represents galaxies as structured morphological vectors rather than discrete labels, enabling a richer and more interpretable analysis. The progression demonstrates advances in accuracy, uncertainty handling, and morphological representation, offering a scalable and reliable framework for future projects.

[Resumo]: Esta tese investiga a clasificación morfolóxica automatizada de galaxias mediante aprendizaxe automática, dende redes neuronais convolucionais básicas ata arquitecturas xerárquicas avanzadas. Desenvólvense e avalíanse catro modelos no conxunto de datos Galaxy Zoo 2, cada un deles abordando as limitacións do anterior. A primeira CNN (Modelo 1) establece un rendemento base para a clasificación en cinco clases, seguida dun enfoque xerárquico de dobre modelo (Modelo 2) e dunha clasificación consciente da confianza (Modelo 3). A achega final (Modelo 4) é un sistema multimodelo xerárquico que representa as galaxias como vectores morfolóxicos estruturados en lugar de etiquetas discretas, permitindo unha análise máis rica e interpretable. A progresión demostra avances en precisión, xestión da incerteza e representación morfolóxica, ofrecendo un marco escalable e fiable para futuros proxectos.