Chercheur en Traitement Des Données D'images - Marseille, France - CNRS

CNRS

Entreprise vérifiée

Marseille, France

il y a 2 semaines

Posté par:

Sophie Dupont

beBee Recruiter

Description

Cette offre est disponible dans les langues suivantes:

- Français
- Anglais

Date Limite Candidature : mardi 26 septembre 2023

**Informations générales**:
**Intitulé de l'offre **:H/F Chercheur en traitement des données d'images astronomiques amélioré par l'apprentissage machine**
Référence : UMR7326-ANAMEK-071
Nombre de Postes : 2
Lieu de travail : MARSEILLE 13
Date de publication : mardi 5 septembre 2023
Type de contrat : CDD Scientifique
Durée du contrat : 12 mois
Date d'embauche prévue : 1 novembre 2023
Quotité de travail : Temps complet
Rémunération : 2 932,85 € à 4 669,28 € brut/mois, selon expérience.
Niveau d'études souhaité : Niveau 8 - (Doctorat)
Expérience souhaitée : Indifférent
Section(s) CN : Système solaire et univers lointain

**Missions**:
L'enjeu du projet DOSSA (Decentralization of Space Situational Awareness) est de développer des infrastructures françaises visant à démultiplier nos capacités de collecte de données et de catalogage des objets spatiaux en réduisant drastiquement le coût de la donnée. Cette réduction est possible en s'appuyant sur le réseau de télescopes Unistellar déjà existant, décentralisé et à couverture géographique mondiale et sur la science participative en impliquant les astronomes amateurs dans le projet.
Ce réseau est essentiel afin d'intensifier la collecte de données et ainsi maximiser la précision sur les informations orbitales, permettant d'identifier efficacement des risques sur des catalogues d'objets qui s'accroissent exponentiellement. Le déploiement de ce réseau nécessite le développement de techniques de traitement d'images enrichies avec des modèles de Deep Learning pour augmenter la sensibilité des télescopes et la capacité à détecter des satellites plus petits. Cette capacité fournira la possibilité de co-concevoir des télescopes plus petits, donc moins couteux et avec une empreinte sol plus faible (1m2 versus 10m2), tout en garantissant une capacité de détection d'objets d'une dizaine de centimètres. Les très nombreux points de collecte assurent aussi un échantillonnage plus régulier des paramètres orbitaux, par conséquent une capacité à mieux extrapoler les trajectoires et estimer les risques de conjonction. Les modèles de Deep Learning sont également essentiels pour accélérer les calculs et assurer une capacité rapide à évaluer ces risques sur de grands catalogues.

**Activités**:
WP1 - Création d'un simulateur:
Cette tâche vise à créer un simulateur des images des télescopes Unistellar en incluant les aberrations optiques (design, atmosphère), mécaniques (vibration, erreur de suivi) et bruit (fond de ciel, bruit détecteur,..). Ce simulateur sera vérifié grâce aux images ciel délivrées en début de projet et permettra d'alimenter l'apprentissage des modèles de détection et d'astrométrie.

WP2 - Débruitage d'image par auto-encoder:
Ce deuxième WP s'intéresse à la problématique du débruitage d'image, et en particulier en appliquant des méthodes basées sur les auto-encodeurs. Il s'agira (1) de faire l'état de l'art des méthodes disponibles actuellement (cf biblio ci-dessous), (2) faire un classement des méthodes en fonction des critères de performances, de vitesse d'exécution et d'optimisation/efficacité des algorithmes, (3) l'implémentation des 3 méthodes les plus prometteuses et (4) le benchmarking de ces 3 méthodes en utilisant des images simulées. Sortie : Code de débruitage basé sur auto-encodeur optimisé pour le cas d'étude.

WP3 - Segmentation d'images pour la détection optimale de traces de satellites:
Ce 3ème WP concerne le développement d'un algorithme basé sur des approches « deep learning » pour la segmentation et la détection optimale des traces de satellites dans les images. En s'appuyant sur les images débruitée fournies par le WP1, il s'agit maintenant de pouvoir identifier et classifier les objets non-stellaires dans les images. Il s'agira de (1) de faire l'état de l'art des méthodes disponibles actuellement en s'inspirant des méthodes de détection des rayons cosmiques (cf biblio ci-dessous), (2) faire un classement des méthodes en fonction des critères de performances, de vitesse d'exécution et d'optimisation/efficacité des algorithmes, (3) l'implémentation des 3 méthodes les plus prometteuses et (4) le benchmarking de ces 3 méthodes en utilisant des images simulées. Sortie : Code de segmentation et d'identification d'objet non-stellaire dans les images, optimisé pour le cas d'étude.

**Compétences**:
Informatique : Python, Matlab.
Optique, instrumentation, astronomie
Doctorat en traitement d'images, apprentissage automatique, instrumentation, optique, physique ou astronomie.

**Contexte de travail**:
Le travail sera effectué au LAM, partagé entre le groupe de recherche et développement et le centre de données.

**Informations complémentaires**:
Contrat de 12 mois renouvelable u