Détection robuste de sources astronomiques par réseaux de neurones à convolutions

Robust detection of astronomical sources using convolutional neural networks

• Auteur / Autrice : Maxime Paillassa
• Direction : Hervé Bouy, Emmanuel Bertin
• Type : Thèse de doctorat
• Discipline(s) : Astrophysique, Plasmas, nucléaire
• Date : Soutenance le 16/10/2020
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Astrophysique de Bordeaux
• Jury : Président / Présidente : Pascal Bordé
• Jury : Examinateurs / Examinatrices : Hervé Bouy, Emmanuel Bertin, Pascal Bordé, Marc Huertas-Company, Éric Aubourg, Emille Eugênia Oliveira de Ishida, Jean-François Giovannelli, Anaïs Möller
• Jury : Rapporteur / Rapporteuse : Marc Huertas-Company, Éric Aubourg

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage profond

Traitement d'images

Mots clés libres

Traitement d'images

Apprentissage profond

Réseaux de neurones à convolutions

Détection de sources

Relevés grand champ

Image processing

Deep learning

Convolutional neural network

Source detection

Wide field surveys

Résumé

L'extraction de catalogues de sources fiables à partir des images est cruciale pour un large éventail de recherches en astronomie.Cependant, l'efficacité des méthodes de détection de source actuelles est sérieusement limitée dans les champs encombrés, ou lorsque les images sont contaminées par des défauts optiques, électroniques et environnementaux.Les performances en termes de fiabilité et de complétude sont aujourd'hui souvent insuffisantes au regard des exigences scientifiques des grands relevés d'imagerie.Dans cette thèse, nous développons de nouvelles méthodes pour produire des catalogues sources plus robustes et fiables.Nous tirons parti des progrès récents en apprentissage supervisé profond pour concevoir des modèles génériques et fiables basés sur des réseaux de neurones à convolutions (CNNs).Nous présentons MaxiMask et MaxiTrack, deux réseaux de neurones à convolutions que nous avons entrainés pour identifier automatiquement 13 types différents de défauts d'image dans des expositions astronomiques.Nous présentons également un prototype de détecteur de sources multi-échelle et robuste vis-à-vis des défauts d'image, dont nous montrons qu'il surpasse largement les algorithmes existants en terme de performances.Nous discutons des limites actuelles et des améliorations potentielles de notre approche dans le cadre des prochains grands relevés tels que Euclid.

Extracting reliable source catalogs from images is crucial for a broad range of astronomical research topics.However, the efficiency of current source detection methods becomes severely limited in crowded fields, or when images are contaminated by optical, electronic and environmental defects.Performance in terms of reliability and completeness is now often insufficient with regard to the scientific requirements of large imaging surveys.In this thesis, we develop new methods to produce more robust and reliable source catalogs.We leverage recent advances in deep supervised learning to design generic and reliable models based on convolutional neural networks (CNNs).We present MaxiMask and MaxiTrack, two convolutional neural networks that we trained to automatically identify 13 different types of image defects in astronomical exposures.We also introduce a prototype of a multi-scale CNN-based source detector robust to image defects, which we show to significantly outperform existing algorithms.We discuss the current limitations and potential improvements of our approach in the scope of forthcoming large scale surveys such as Euclid.