"Estimation du redshift des galaxies à partir d'images multibandes avec l'apprentissage profond : performances et obstacles".
La thèse se déroulera en français. Pour celles et ceux qui voudraient assister à la soutenance à distance, vous pourrez également la suivre en utilisant Zoom.
Résumé:
"L'estimation des redshifts photométriques est cruciale dans les relevés cosmologiques actuels et futurs pour comprendre la structure à grande échelle de l'univers et l'évolution des galaxies. L'apprentissage profond s'est révélé efficace pour produire des redshifts photométriques précis à partir d'images multibandes de galaxies dans le cadre du relevé local SDSS. Cependant, améliorer cette technique et l'étendre à des redshifts plus élevés est nécessaire pour les futurs relevés tels que le LSST.
Dans ce travail, nous introduisons tout d'abord l'utilisation d'une approche CNN multimodale : les images des bandes photométriques d'une galaxie sont d'abord traitées en parallèle avant d'être fusionnées au sein du réseau. Cette méthode améliore les estimations, comme le montrent divers tests. Elle permet de mieux capturer l'information contenue dans les corrélations entre différentes bandes et surpasse l'état de l'art en précision des redshifts photométriques.
Deuxièmement, nous étudions l'application de cette technique à un ensemble de données représentatif du relevé HSC à i ≲ 25. Tout d'abord, nous montrons que le réseau souffre d'un important problème de mismatch photométrique. Nous présentons une méthode d'adaptation de domaine non supervisé pour résoudre ce problème. Ceci permet d'entraîner le réseau sur un champ de calibration et généraliser de manière fiable à d'autres champs."
