计算机视觉是一个跨学科领域，结合了物理、计算机科学和电气工程等学科的知识。其主要目标是开发能够再现人类视觉技能的算法和系统。与计算机视觉最密切相关的领域是图像处理、图像分析和机器视觉。
   计算机视觉的核心应用历来在医疗保健，汽车和农业行业，主要是因为开发和部署这些系统所需的大量投资。在过去的8年中，情况发生了巨大变化：进入壁垒已经减少，开源图库也在激增。如今，来自低收入国家的学生和专业人士可以获得大量的计算机视觉资源，并可以在短时间内开发出高影响力的应用程序。

图1：计算机视觉的相关学科。

   观测天文学是天文学的一个分支，它涉及记录有关可观测宇宙的数据。地面和太空望远镜每晚用于观测行星和遥远的星系。专用望远镜仪器收集存储在远程服务器中的原始数据，然后使用多个图像处理和分析通道进行处理。
   与天文图像处理相关的常见任务是系统效应消除、点源检测和图像增强。这些任务可以在多个应用程序中使用，例如IRAF1和Astropy2等库，它们通常由天文学家和工程师使用。
如今，大部分的数据采集和处理任务都是全自动的。该社区开发了一些免费的数据缩减通道和框架，可以供望远镜、大学和学术界以外的专业人员轻松使用。

图2:这张地图展示了斯隆数字巡天在过去二十年中发现的一些天体图像

   斯隆数字巡天（SDSS3）是有史以来规模最大的天文调查，产生的目录包含大约5亿个来源。整个数据集的重量超过100 TB，它包括来自三分之一天体的图像、光谱和目录。数据的减少和数据分析最初是使用由美国几所大学和研究所的天文学家，数据科学家和工程师开发的定制管道完成的，后来由来自世界各地的专业人员进行扩展。
   尽管数据缩减和准备主要是使用经典的图像处理方法完成的，但在数据分析和可视化领域仍有很大的改进空间。计算机视觉看起来是一个很有前景的解决方案，可以促进天文学中大数据的分析，并加速宇宙中结构和现象的发现。但是，这不是一件容易的事;来自不同领域（跨学科）的新方法或技术的引入是缓慢的，并且通常比现有技术延迟数年。造成这种情况的原因可能有两个因素：一个是没有可能从其他领域带来知识的跨学科科学家;第二个因素是知识在成熟和发展之后传播到其他领域。例如，我们在计算机科学领域开发了计算机视觉技术，它们与机器学或深度学习相关，在它们开发后4-5年就进入天体物理学，通过计算它可以很容易地看到它们。与计算机视觉/深度学习/机器学习相关的纸质出版物数量少于300个，深度学习，快速CNN和SSD等概念自2017-2018年以来才刚刚出现在论文中。
   在这种情况下，AstroCV4存储库似乎是一个邀请加入努力，以减少从计算机视觉到天体物理学的知识转移的时间延迟，特别是现在随着计算机视觉和获取新的开发框架和更便宜的GPU计算的知识的大量增长功率。
   作为AstroCV计划的一部分，我们使用最先进的SSD神经网络框架（Darknet）训练星系检测和识别模型，并且我们开发了一种新的数据增强程序，以便对来自不同滤波器和仪器。训练集由Galaxy Zoo5数据库构建，具有椭圆形，螺旋形，边缘形和合并星系的分类。数据增强对任何模型训练场景都非常重要;它有助于改善小型训练集的结果，并使模型在不同条件下更可靠。特别是，天文图像采用多个滤波器和FITS格式，每个像素都有原始CCD数据，然后从FITS到RGB图像的数据转换不是唯一的，取决于望远镜的相机，带通滤波器，缩小模式，以及用于将光子计数缩放到色标的转换方法。
   我们在同一物体上制作了包括多种颜色转换方法的数据增强方案，从而在检测来自不同望远镜/仪器的图像时得到了重要改进，同时考虑到我们仅使用了SDSS仪器的训练集。在图3中，我们显示来自SDSS的图像的结果达到召回率为90％。但是，对于从不同滤色镜和望远镜拍摄的图像，结果不是那么好，性能可能下降到甚至20％的召回性能。包括我们的数据增强程序，我们可以获得高达3倍的召回结果。在图4中，我们显示了从哈勃深场拍摄的图像的结果。

图3：在典型的SDSS图像中使用我们的模型发现的星系

图4：具有数据增强功能的哈勃深场图像中的星系

   Roberto Gonzalez和RobertoMuñoz以前是天文学家，并为智利公司MetricArts6转移到计算机视觉行业，因此天体物理学，计算机科学和工业之间的知识转移已成为他们的日常基础过程。 他们认为技术行业和学术界之间的跨学科和协作是引领计算机视觉和人工智能领域的基础。 然而，它需要改变传统学院和传统产业的思维方式，传统产业的跨学科性和知识转移价值较低，特别是在欠发达国家。