Entraîner des classifieurs sur des courbes étiquetées
Des courbes de lumière synthétiques au rendu physique et parfaitement étiquetées — forme, état d’attitude, période, axe, géométrie, bruit du capteur — par milliers.
Les courbes réelles ont peu d’étiquettes et beaucoup de biais. Un classifieur a besoin d’exemples dont on connaît la vérité — et en nombre.
Étape par étape.
- 01
Décrire la population
Modèles et formes DISCOS, états d’attitude, périodes, axes, inerties, géométries et bruit du capteur, tirés dans les plages que vous choisissez.
- 02
La rendre sur GPU
Le même moteur photométrique que le simulateur, depuis l’interface ou en ligne de commande, avec une graine fixe pour la reproductibilité.
- 03
Boucler sur des données réelles
Vérifier le classifieur sur des passes mesurées avec le classement d’attitude intégré et l’ajustement de modèle.
Les livrables.
- Jeux de données étiquetés en CSV
- Mode batch et API JavaScript
- Calculs reproductibles
Caractériser les objets par leur courbe de lumière
Transformer des magnitudes en réponses : l’objet est-il stabilisé, en rotation ou en culbute, à quelle vitesse, de quelle taille — et un modèle physique explique-t-il ce que vos capteurs ont mesuré ?
Voir le cas d’usageConnaître la culbute avant le rendez-vous
Estimer la période de rotation d’une cible, son axe et leur évolution, depuis la photométrie sol — pour préparer l’approche et la capture d’un objet non coopératif.
Voir le cas d’usageRendre visible la photométrie des satellites
Voir pourquoi un satellite s’éclaire ou s’éteint — angle de phase, reflet, ombre, attitude — en direct et en 3D, avec une physique vérifiable.
Voir le cas d’usageVoyez vos propres objets dans LightCurve.
Une séance de 30 minutes sur votre cas d’usage : vos orbites, vos capteurs, vos mesures si vous en avez.