Contexte : Un sonar actif multi-capteurs permet la détection et la localisation d’objets sous-marins à partir de signaux acoustiques réfléchis. Si les approches statistiques de traitement du signal sont efficaces pour ces tâches, elles se révèlent cependant insuffisantes pour assurer une classification fine des objets détectés. Cette étape de classification est pourtant cruciale pour distinguer les éléments potentiellement présents sur les routes maritimes, qu’il s’agisse d’objets naturels poses sur le fond, de mines en milieu de colonne d’eau, de bancs de poissons ou de sillages d’autres navires. En pratique, une classification fiable ne peut être obtenue à partir d’une seule image sonar. 

Elle nécessite une série d’émissions/acquisitions successives, permettant de constituer une séquence temporelle d’imagettes de l’objet étudié. A partir de cette série temporelle, la société Exail a développé une première approche de classification, basée sur des méthodes empiriques. Pour renforcer cette étape, il serait pertinent de mettre en place un cadre d’apprentissage visant améliorer la performance, la robustesse et la confiance dans les résultats obtenus. Cependant, ce développement doit intégrer plusieurs caractéristiques spécifiques de ces données. Tout d’abord, le nombre de données annotées disponibles reste limitée comparé aux bases de données couramment utilisées dans d’autres disciplines, en raison de la diversité des conditions rencontrées (cibles variées, fonds marins hétérogènes, états de mer changeants, profondeurs différentes, etc.). Par ailleurs, les imagettes présentent peu de caractéristiques distinctives et affichent des rapports signal-à-bruit variables. Pour pallier ce dernier point, une solution éprouvée dans diverses applications consiste à exploiter non pas les données brutes, mais plutôt des caractéristiques basées sur des statistiques d’ordre deux. Pour lever le second verrou, une approche de plus en plus adoptée par la communauté consiste à utiliser des méthodes d’adaptation de domaines. Ces méthodes permettent d’entrainer un réseau sur un ensemble limité de données annotées (dites données sources), puis de l’affiner `a l’aide de données non annotées (dites données cibles). Enfin, un dernier enjeu réside dans le fait que les architectures classiques de réseaux ne prennent pas en compte la dimension temporelle des séquences d’imagettes .Pour y remédier, il serait pertinent de s’appuyer sur des architectures plus modernes, telles que les transformer, capables de modéliser l’évolution temporelle de ces données.

Etudiant de M2 ou école d’ingénieur en mathématiques appliquées, traitement du signal, informatique ou domaines connexes. Vous possédez de bonnes compétences en communication écrite et orale, ainsi qu’une maitrise de la programmation en Python.

La thèse est financée dans le cadre d'un contrat CIFRE