Contexte Le contexte scientifique de cette thèse s'inscrit à l'interface entre la science des données, le traitement du signal et la physique des matériaux, où l'analyse de données complexes issues de surfaces microscopiques constitue un enjeu majeur. L'estimation de paramètres à partir de champs stochastiques non gaussiens, omniprésents dans les phénomènes physiques non linéaires et les images expérimentales, requiert des outils capables d'extraire des descripteurs compacts et pertinents. Si les réseaux de neurones convolutifs se sont imposés ces dernières années, leurs limites en termes d'interprétabilité et de coût d'entraînement motivent l'exploration d'approches alternatives. Dans ce contexte, la transformée par diffusion d'ondelettes (WST) apparaît comme une méthode prometteuse, combinant la richesse descriptive des approches profondes avec la rigueur des outils statistiques, tout en s'affranchissant de la phase d'apprentissage. Son application à l'analyse d'images issues de microscopies avancées ouvre ainsi de nouvelles perspectives pour la caractérisation fine des surfaces et l'extraction d'informations physiques essentielles. Missions Ce projet de thèse vise à aborder le problème de l'estimation de paramètres de champs stochastiques non gaussiens à l'aide de la transformée par diffusion d'ondelettes (wavelete scattering transform, WST), un outil statistique qui partage des idées avec les CNN, tout en ne nécessitant ni entraînement ni réglage fin de paramètres car elle est similaire aux estimateurs statistiques traditionnels. Le doctorant aura pour mission de se familiariser avec cette approche afin de développer et d'implémenter cet outil dans le but d'améliorer le traitement et l'analyse des images en champ proche obtenues par microscopies à effet tunnel et à force atomique ou plus généralement avec des mesures de topographie z = f(x, y). En effet, la qualité d'une image est définie par la fidélité avec laquelle la topographie mesurée reflète la s
Recruteur ou personne concernée par cette annonce ? Demander la suppression