Méthodes d'apprentissage par deep learning appliquées aux grands relevés d'imagerie astrophysiques
Auteur / Autrice : | Qiufan Lin |
Direction : | Dominique Fouchez |
Type : | Thèse de doctorat |
Discipline(s) : | Astrophysique et Cosmologie |
Date : | Soutenance le 01/12/2021 |
Etablissement(s) : | Aix-Marseille |
Ecole(s) doctorale(s) : | École Doctorale Physique et Sciences de la Matière (Marseille) |
Partenaire(s) de recherche : | Laboratoire : Centre de physique des particules de Marseille (CPPM) - Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….) - Territoires, Environnement, Télédétection et Information Spatiale (Montpellier) - Comex SA |
Jury : | Président / Présidente : Cristinel Diaconu |
Examinateurs / Examinatrices : Hiranya Peiris, Thierry Artières | |
Rapporteur / Rapporteuse : Marc Chaumont, Shirley Ho |
Mots clés
Résumé
Les réseaux de neurones avec apprentissage profond sont des outils puissants permettant de capturer des informations à partir de données. Cependant, les réseaux de neurones sont enclins à s'adapter à des informations spécifiques qui sont enchevêtrées avec les informations saillantes que vont exploiter certaines tâches, ce qui biaiserait les résultats. Dans le but de développer des outils d'apprentissage profond robustes en préparation des futures sondages cosmologiques, cette thèse se concentre sur l'apprentissage d'informations saillantes à partir d'images multicolores avec des réseaux de neurones. Plus précisément, nous tentons d'établir des représentations informatives des données afin de capturer des informations saillantes à différents niveaux d'abstraction dans quelques tâches : À faible niveau d'abstraction, nous effectuons une traduction bidirectionnelle semi-supervisée d'images de galaxies multicolores entre deux sondages. À un niveau élevé d'abstraction, nous proposons une procédure pour corriger les biais d'estimation des méthodes basées sur les données en utilisant une représentation pré-entraînée. En plus des études astrophysiques, notre travail interdisciplinaire explore l'analyse d'images optiques sous-marines auxquelles les techniques développées en astrophysique peuvent être appliquées. Comme de nouveaux défis ont été rencontrés dans le traitement des données astronomiques, principalement le bruit et la rareté des données, notre travail implique la nécessité de faire progresser les techniques d'apprentissage automatique pour s'adapter aux problèmes réels et optimiser l'exploitation des données.