Machine Learning pour la Reconstruction d’Image Astrophysique
Poursuite possible en thèse
Résumé/Summary
Sujet détaillé/Full description
Les méthodes de machine learning ont montré leur efficacité pour la resolution de problème inverse. Ces méthodes nécessitent toutefois d’avoir de nombreuses données pour l’apprentissage et il n’est pas établit comment se comporte les algorithmes quand le jeu d’entrainement diffère des données.
Le but de ce stage est d’étudier ce problème de généralisation dans le cadre de la reconstruction d’image en astrophysique. Plusieurs types de réseaux seront étudiés (UNET, RESNET, LEARNLET), et une evaluation sera faite pour évaluer l’impact d’un jeu d’entrainement différent des vrais données. Une comparaison sera également faite avec des méthodes plus conventionnelles comme celles basées sur les ondelettes.
References:
? F. Sureau, A. Lechat and J.-L. Starck, "Deep Learning for space-variant deconvolution in galaxy surveys", Astronomy and Astrophysics, 641, A67, 2020.
Mots clés/Keywords
machine learning, astrophysique
Logiciels