Jérôme Pasquet's homepage

Thesis :

DEEP LEARNING METHODS APPLIED TO LARGE ASTROPHYSICAL IMAGING SURVEYS

Keywords: astrophysics, cosmology, informatics, image analysis, machine learning, deep learning

More information : https://doc2amu.univ-amu.fr/en/deep-learning-methods-applied-to-large-astrophysical-imaging-surveys

Recherche de stagiaire (niveau ingénieur/recherche)

Durée : 6 mois

Localisation : Marseille - Luminy

Contexte :

De nombreux projets de grands relevés astronomiques sont en cours et planifiés pour la décennie à venir. Le Large Synoptic Survey Telescope (LSST) en est un exemple et un projet majeur pour la cosmologie. Cette campagne d’observation débutera en 2020 et permettra d’observer plusieurs milliards d’objets pendant dix ans, avec des observations répétées des mêmes images dans des conditions d’observation différentes. Des variations des effets instrumentaux ainsi que des variations de l’atmosphère sont attendues. Les défis à relever consistent à traiter toujours plus de pixels (exabytes) pour en extraire une information encore plus précise. Pour cela il faudra, en particulier, être capable de corriger des effets instrumentaux et d’intercalibrer différents instruments. En astronomie, l’imagerie CCD nécessite l’acquisition d’images spécifiques servant à corriger les parasites, tel que le bruit de lecture de la caméra ou encore les effets liés aux conditions d’observation : présence de rayons cosmiques, variabilité de l’atmosphère, etc... Il existe un prétraitement bien défini pour corriger au mieux les images de ces défauts qui impose l’utilisation de plusieurs étapes de traitements successifs et qui sont spécifiques à l’instrument concerné. D’autre part, les méthodes d’analyse utilisent des simulations numériques des images pour estimer l’influence des effets instrumentaux et du traitement d’images sur l’extraction des paramètres astrophysiques mesurés. Quoique ces simulations soient réalisées à partir de modèles de télescopes sophistiqués, il est difficile de simuler parfaitement le bruit sur une image afin de la rendre le plus réaliste possible.

L'objectif du stage est d'être capable de mimiquer des bruits instrumentaux afin de rendre les images simulées plus réalistes.

Compétences attendues :

- Forte connaissance en python

- Connaissance en Deep Learning et Tensorflow

- Les connaissances en Astrophysique ne sont pas requises

Contact :

Jérôme Pasquet ( jerome.pasquet [at] lis-lab.fr )

Pierre Drap ( pierre.drap [at] lis-lab.fr )