Projet de détection d’exoplanètes à partir de courbes de lumière au format FITS, en utilisant plusieurs architectures de deep learning.
Classifier des signaux astronomiques en :
- CP : Candidate Planet
- FP : False Positive
Les modèles travaillent sur des séries temporelles de flux.
- CNN / ResNet
- LSTM
- TCN
- Transformer
- Deep-LC
README.md
Fine-tuning/
dataset.py
deeplc.py
resnet_finetune.py
exofop_tess_kois.csv
combined_7_conformal_calibrated.ckpt (à télécharger à l'adresse suivante : https://zenodo.org/records/10081600/files/combined_7_conformal_calibrated.ckpt?download=1)
From-Scratch/
CNN.ipynb
LSTM.ipynb
RESNET.ipynb
TCN.ipynb
dataset.py
script.py
tri.py
Visualisation/
cnn_exoplanet_fits_results.png
lstm_exoplanet_fits_results.png
resnet_exoplanet_fits_results.png
tcn_exoplanet_fits_results.png
deep_confusion_matrices.png
deep_probability_distributions.png
deep_roc_curves.png
deep_training_curves.png
metrics_comparison.png
resnet_finetune.png
Les données doivent être au format .fits et organisées comme suit :
Pour Kepler :
dataset_fits/
├── CP/
└── FP/
Pour TESS :
dataset_fits/
├── train/
| ├── CP/
| └── FP/
└── test/
├── CP/
└── FP/
- Exécution prévue sur Google Colab
- Le modèle est sélectionné via :
model_type = 'tcn' # resnet, lstm, tcn, transformerpython dataset.py- Modèle entraîné (
.h5) ou (.pth) - Seuil optimal (
.pkl) - Graphiques de performance (loss, accuracy, AUC, ROC, matrice de confusion)
- TensorFlow / Keras
- NumPy, Pandas
- Scikit-learn
- Astropy
- Lightkurve
- Matplotlib, Seaborn
- Deep_lc
Projet à but expérimental pour comparer différentes architectures sur des données astronomiques.