diff --git a/ARCHITECTURE.md b/ARCHITECTURE.md
index 03cbd61..18ddfbe 100644
--- a/ARCHITECTURE.md
+++ b/ARCHITECTURE.md
@@ -18,6 +18,12 @@ Objectif : générer une représentation visuelle du ciel à partir de données
 Entrée : CSV Hipparcos pré-traité
 Sortie : carte du ciel visuelle (image/rendu Streamlit)
 
+### Choix techniques
+
+- **Projection** : implémentation manuelle (pas de lib dédiée type WCS d'astropy) - choix pédagogique assumé, type de projection (stéréographique, orthographique...) à arrêter en phase de pseudo-code
+- **Pré-traitement du catalogue** : `astropy` (parsing du format Hipparcos brut)
+- **Rendu graphique** : `plotly` (via `st.plotly_chart`) - interactivité native (zoom, hover, pan) sans développement custom, adapté à un scatter plot de quelques centaines à quelques dizaines de milliers de points.
+
 ## Pipeline B - Détection d'étoiles sur image réelle
 
 Objectif : identifier la position d'étoiles (blobs lumineux) dans une image test fixe, sans référence au catalogue.
@@ -30,6 +36,11 @@ Objectif : identifier la position d'étoiles (blobs lumineux) dans une image tes
 Entrée : image test (fichier image)
 Sortie : liste de coordonnées (x, y) des étoiles détectées dans l'image
 
+### Choix techniques
+
+- **Détection de blobs** : `cv2.SimpleBlobDetector` (OpenCV) - filtrage qualité (taille, circularité, convexité, inertie) déjà géré nativement par le detector
+- **Clustering de nettoyage de bruit** : retiré du scope v1. `SimpleBlobDetector` gère déjà l'essentiel du filtrage qualité en interne ; un clustering de déduplication spatiale (regrouper plusieurs détections voisines correspondant à la même étoile) ne sera réintroduit que si ce problème est observé concrètement en pratique sur des images de test réelles.
+
 ## Pipeline C - Classification Messier / non-Messier
 
 Objectif : déterminer si une image donnée, cadrée sur un objet du ciel profond, représente un objet du catalogue Messier ou non. **Indépendant du pipeline B** : ne prend pas en entrée les blobs détectés dans une image de test, mais des vignettes dédiées, préparées et labellisées à l'avance.
@@ -57,11 +68,40 @@ Objectif : déterminer si une image donnée, cadrée sur un objet du ciel profon
 
 > Note : l'identification formelle de l'objet (nom, caractéristiques) en cas de classification positive est explicitement hors scope v1. C'est une amélioration identifiée pour une itération ultérieure (passage à une classification multi-classe).
 
+### Choix techniques (C1/C2)
+
+- **Modèle** : `MobileNet` (fine-tuning) - préféré à ViT-tiny, ce dernier étant réputé plus gourmand en données ; le dataset attendu (scraping sur 110 objets Messier + négatifs NGC) restera probablement de taille modeste (centaines d'images), un CNN pré-entraîné avec biais inductifs adaptés aux images est donc plus robuste sur ce volume
+- **Framework** : `PyTorch` - préféré à Keras/TensorFlow malgré une prise en main plus verbeuse (boucle d'entraînement explicite), choix motivé par la priorité de compréhension en profondeur du mécanisme de fine-tuning plutôt que la vitesse de mise en oeuvre.
+
 ## Ce qui est explicitement hors scope v1
 
 - Matching entre pipelines (A/B, B/C, A/C)
 - Classification multi-classes (identification précise de l'objet Messier)
 - Toute entrée caméra live (v1 = images statiques uniquement)
+- Clustering de nettoyage du bruit en pipeline B (sauf besoin avéré en pratique)
+
+## Modèle de données - catalogue Hipparcos pré-traité
+
+**Fichier** : `dataset_hipparcos.csv`
+**Séparateur** : `;`
+**Encodage** : UTF-8
+
+| Colonne       | Type           | Description                                                                                               |
+|---------------|----------------|-----------------------------------------------------------------------------------------------------------|
+| `hip_id`      | int            | Identifiant Hipparcos (clé unique)                                                                        |
+| `ra_deg`      | float          | Ascension droite, en degrés décimaux (converti depuis le format heures/minutes/secondes natif : 1h = 15°) |
+| `dec_deg`     | float          | Déclinaison, en degrés décimaux (-90 à +90)                                                               |
+| `magnitude`   | float          | Magnitude apparente (échelle inversée : plus la valeur est basse, plus l'objet est brillant)              |
+| `proper_name` | string ou NULL | Nom propre de l'étoile si disponible (absent pour la grande majorité des entrées du catalogue)             |
+
+Exemple de ligne (Sirius / Alpha Canis Majoris) :
+
+```
+hip_id;ra_deg;dec_deg;magnitude;proper_name
+32349;101.2875;-16.71611112;-1.46;Sirius
+```
+
+> Note d'implémentation : les valeurs décimales ci-dessus utilisent un point comme séparateur (format attendu par `float()` en Python / `pandas.read_csv` par défaut), à ne pas confondre avec la notation à virgule utilisée à l'oral pendant la conception.
 
 ## Décisions techniques actées