ConvEntion: Classification des séries chronologiques d'images astronomiques à l'aide d'attention convolutive - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2022

ConvEntion: Classification des séries chronologiques d'images astronomiques à l'aide d'attention convolutive

Abstract

L'utilisation de séries temporelles d'images astronomiques suscite un intérêt grandissant dans la communauté scientifique. Par ailleurs, avec la massification des données, il est nécessaire de proposer des solutions d'analyse automatique. Dans cet article, nous proposons une nouvelle approche basée sur l'apprentissage profond pour classer différents types d'objets célestes en utilisant les séquences d'images issues des télescopes. Nous appelons notre approche ConvEntion (abréviation de CONVolutional attENTION). Elle est basée sur l'utilisation conjointe de convolutions et de transformeurs. Ceci constitue une innovation dans le domaine du traitement des séries temporelles d'images. Sur un sousensemble de données issues de la base SDDS nous améliorons la précision de 7 % par rapport aux approches de l'état de l'art utilisant des séries temporelles d'images.
Fichier principal
Vignette du fichier
GRETSI2022_BAIROUK_CHAUMONT_FOUCHEZ_PASQUET_COMBY_ConvEntion.pdf (540.13 Ko) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

lirmm-03815454 , version 1 (14-10-2022)

Identifiers

  • HAL Id : lirmm-03815454 , version 1

Cite

Anass Bairouk, Marc Chaumont, Dominique Fouchez, Jérome Pasquet, Frédéric Comby. ConvEntion: Classification des séries chronologiques d'images astronomiques à l'aide d'attention convolutive. GRETSI 2022 - 28e Colloque Francophone de Traitement du Signal et des Images, Sep 2022, Nancy, France. pp.137-140. ⟨lirmm-03815454⟩
117 View
41 Download

Share

Gmail Facebook X LinkedIn More