DEEP2IMAGE2I PEPS Astro-info Journée de res3tu3on - CNRS

DEEP2IMAGE2I
PEPS Astro-info Journée de res3tu3on

Contexte : l’astronomie grand champ
• Verrous:
   • Analyser de très grandes quan3tés d’images de façon automa3que
   • Produire des simula3ons réalistes
   • Classer des objets à par3r d’une base non représenta3ve.

Objectifs scientifiques
• Développer des méthodes issues de l’apprentissage profond pour
  analyser les images astrophysique, en étant capable de séparer
  l’image astrophysique des effets instrumentaux ou observationnels

   • Analyse automatique : classification/régression
   • Ajout de bruit réaliste à des simulations
   • Application aux supernovæ (objets transitoires) pour différencier variabilité
     due aux conditions observations ou d’instrument
   • Application à d’autres domaines : images sous marines, steganalyse

Mise en place de la collabora/on
Les acteurs

• CPPM : D.Fouchez, F.Feinstein Jo.Pasquet
• LIRMM : M.Chaumont, F.Comby, N.Rodriguez
• LIS (LSIS) : P.Drap, Je.Pasquet

L’équipe CPPM
• Cosmologie avec les grands sondages photométriques
• Exper8se en

  • Photométrie
  • Détec8on des objets transitoires
  • Cosmologie avec les supernovæ

L’équipe LSIS
• Traitement automa,que des images de sondages de sites
  archéologiques sous-marins.
• Exper,se en :

  • Photogrammétrie
  • Système expert
  • Deep learning

L’équipe LIRMM
• Traitement du signal et des images
• Expertise en
   •   Sécurité vidéo
   •   Criminalistique numérique, Steganalyse
   •   Segmentation et tracking des vidéos/ images
   •   Deep learning

Les étapes de développement du projet
• Mise en place de réunions régulières
• Visio et présen4el a Marseille et Montpelier
• Stagiaire au LIRMM sur le sujet des données temporelles sparses
• Prépara4on d’une demande de bourse pour une thèse en co-tutelle
  sur le traitement du bruit des images astro : CPPM/LSIS. Bourse
  obtenue !
• Travail concret sur une probléma4que de données sparses avec non
  représenta4vité

Résultats obtenus en 2018
• Le problème de classifica1on d’images d’objets transitoires cumule
  plusieurs problèmes qu’il faut traiter parallèlement : données sparse
  et non régulières, non représenta1vité́ du lot d’entrainement,
  hétérogénéité des données.
• Les verrous franchis pour ceAe première année sont :
   • données sparse et non régulières
   • non représenta1vité du lot d’entrainement

A CNN adapted to +me series for the classifica+on
of Supernovae
• Un stagiaire a pu travailler au LIRMM avec un co-encadrement des
  trois équipes. Il a permis de donner de premiers résultats concernant
  les données sparse et non régulières dans son rapport de stage. Ce
  travail a permis à Marc Chaumont de poursuivre ce travail et de
  publier un ar@cle à la conférence EI 2019.

deeP architecturE for the LIght Curve ANalysis
                  PELICAN

• Deep learning pour classer des supernovae d’après leurs courbes de
  lumière
• Bases d’entrainement petites et non représentatives
• Une solution au problème de non représentativité
• Fonctionne avec des données sparses, avec un échantillonnage
  variable et des données bruitées

Trois modules

     Autoencodeur

     Contras2f

     Classifica2on

Les bases d’entrainement de Pelican
• Supernova Photometric Classification (simulation 2010)

• LSST (simulation pour Pelican 2018)

• SDSSII supernova sample
    (simulation et données réelles)

Résultat de l’appren/ssage pour LSST
champ profond

Résultat de l’appren/ssage pour LSST
champ large

Appren&ssage simula&on vers données
réelles

Un aperçu de ce que le réseau trouve

Développement récent : GAN de génération
  d’images de galaxies

Début travail de thèse :
Images dans les filtre ugrizK

Gauche galaxie originale (z)
Droite galaxie reconstruite
Centre galaxie reconstruite
           avec zrec= z-0.2

La dissémina*on des résultats

• Electronic & imaging 2019 (Janvier)
   • A CNN adapted to time series for the classification of Supernovae ", EI'2019,
     in Proceedings of Color Imaging XXIV: Displaying, Processing, Hardcopy, and
     Applications

• American Astronomical society 2019 (janvier)
   • Pelican: deeP architecturE for the LIght Curve Analysis,
     https://arxiv.org/abs/1901.01298, en cours d’acceptation par Astronomy &
     Astrophysics.

Bilan financier

• Accéléra'on et réalisa'on des traitements deep learning
   • Barre4es mémoire et disque dur SSD (LSIS +CPPM) 900 euros
• Presta'on de service : Cloud Compu'ng :
   • 250 euros
• Missions (2 voyages US + France) :
   • 4050 euros
• Total :
   • 5200 euros

Plan de travail 2019

• Apporter des premières réponses à tous les points du projet proposé
  initialement. Il s’agira alors de développer les méthodes de type GAN
  pour utiliser directement les images comme données d’entrée à
  notre problème de classification d’objets en partant des méthodes
  déjà développées avec succès en 2018.
• Conforter les collaborations inter-labo (4 labos maintenant!)

2019 : équipes info (LIS+LIRMM+TETIS)
• Equipe LSIS => LIS (Marseille) + TETIS (Montpellier)

• Développer les architectures d’appren@ssage profond pour permeDre la
  classifica@on et l’analyse du bruit des images d’objets astrophysiques.
• Développer des simula@ons d’images par deep learning.
• Développer des techniques pour l’analyse de données hétérogènes (il
  s’agira d’images obtenues avec des instruments et condi@ons
  d’observa@ons différentes)

2019 : équipe astro (CPPM)
• Fournir les données d’images astrophysiques et les labels.
• Développer des simulations pour ces données.
• Utiliser les architectures développées par les informaticiens pour
  valider et évaluer les outils de classification.
• Utiliser l’outils de simulation deep learning pour générer des images
  et évaluer le résultat.
• Evaluer les résultats obtenus pour la classification d’objets provenant
  de données hétérogènes (instruments différents)