Jacquemont, Mikaël
[Author]
;
Chambéry
[Contributor];
Lambert, Patrick
[Contributor];
Maurin, Gilles Christian Georges
[Contributor];
Benoît, Alexandre
[Contributor];
Vuillaume, Thomas
[Contributor]
Cherenkov image analysis with deep multi-task learning from single-telescope data ; Analyse d'image cherenkov à l'aide de l'apprentissage profond multitâche à partir des données d'un seul télescope
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Text;
Electronic Thesis
Title:
Cherenkov image analysis with deep multi-task learning from single-telescope data ; Analyse d'image cherenkov à l'aide de l'apprentissage profond multitâche à partir des données d'un seul télescope
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
L'astronomie gamma consiste en l'observation des photons les plus énergétiques produits par les phénomènes astrophysiques violents. Leur étude permet de mieux comprendre les lois qui, notamment, gouvernent la création des étoiles et l'évolution des galaxies. Elle permet aussi d'explorer une nouvelle physique. Les télescopes Cherenkov situés sur Terre détectent indirectement les rayons gamma grâce à la gerbe électromagnétique qu'ils génèrent en pénétrant l'atmosphère. L'analyse du rayonnement gamma consiste en sa séparation du bruit de fond, les rayons cosmiques, et la reconstruction de son énergie et de sa direction incidente. Cette analyse est complexe, car les rayons cosmiques peuvent produire des images très similaires à celles des gammas et le rapport signal sur bruit est typiquement inférieur à 1/1000.Le Cherenkov Telescope Array (CTA) constitue la nouvelle génération d'observatoire de l'univers à très haute énergie. Composé de plus de 100 télescopes répartis sur 2 sites, CTA aura une sensibilité 10 fois meilleure que les observatoires actuels tout en améliorant la précision de la reconstruction. En contrepartie, une fois achevé CTA produira une énorme quantité de données (210 Po/an) devant être analysées en temps réel. De plus, toutes les données acquises seront retraitées chaque année afin de bénéficier des améliorations de l'analyse. CTA met à mal les méthodes standard, trop lentes ou manquant de sensibilité à basse énergie. Il est donc nécessaire d'explorer d'autres pistes. S'appuyant sur les récentes avancées des réseaux de neurones artificiels, cette thèse propose une nouvelle approche deep learning pour analyser les données de CTA, en particulier celles du Large-Sized Telescope 1 (LST1), prototype installé sur site.La première contribution de cette thèse est une méthode rendant possible l'application des algorithmes de deep learning aux images ayant des organisations de pixels quelconques. Celle-ci fournit les opérateurs convolution et pooling, déterminants dans les succès des réseaux de neurones. ...