Apprentissage en profondeur fiable et explicable pour la classification de signaux acoustiques sous-marins

Reliable and explainable deep learning for classification of underwater acoustic signals

• Auteur / Autrice : Thomas Mahiout
• Direction : Lionel Fillatre
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance le 23/06/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique, signaux et systèmes (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : André Ferrari
• Jury : Examinateurs / Examinatrices : Lionel Fillatre, André Ferrari, François-Xavier Socheleau, Olivier Michel, Abdourrahmane Mahamane Atto, Edouard Oyallon
• Jury : Rapporteurs / Rapporteuses : François-Xavier Socheleau, Olivier Michel

Mots clés

Mots clés contrôlés

Ondelettes

Statistique bayésienne

Acoustique sous-marine

Apprentissage profond

Mots clés libres

Apprentissage profond

Acoustique sous-marine

Détection bayésienne

Explicabilité

Transformée en ondelettes

Deep learning

Underwater acoustic

Bayes detection

Explainability

Wavelets transform

Résumé

La classification acoustique sous-marine (ASM) sur antenne passive, constitue un prolongement direct à la détection. Elle a pour objectif d'identifier les sources de bruits potentielles selon des besoins opérationnels divers, allant de l'évitement des collisions, à la localisation des bancs de poissons et jusqu'à l'identification de navires à propulsion mécanique (NPM). Généralement, un système de classification de données ASM peut se décomposer en trois étapes distinctes : l'extraction des caractéristiques du signal acoustique rayonné par une source, la sélection des caractéristiques adaptées au processus de classification et enfin la classification en elle-même par un algorithme spécifique.L'environnement océanique réel est cependant un domaine d'application très complexe pour la classification, et des algorithmes de classification très performants dans d'autres domaines d'application, peuvent s'avérer être inappropriés dans certains contextes opérationnels.Qui plus est, le manque de connaissances préalables sur les informations acoustiques de navires, les variations inattendues dans l'environnement océanique et l'influence des nombreuses réverbérations avant l'arrivée du signal sur capteur, sont autant plus de facteurs qui contribuent à rendre ce problème complexe pour l'apprentissage machine.Aussi, afin de minimiser l'impact de potentielles erreurs de classification en ASM, celle-ci doit être fiable du point de vue de l'utilisateur. Il est donc nécessaire de pouvoir caractériser les propriétés de robustesse des algorithmes employés et de proposer des formes d'explicabilité adaptées à son utilisation dans le contexte ASM.Dans cette étude, nous effectuons ainsi un état de l'art des méthodes de classification acoustiques, mais également de différentes méthodes d'explicabilité et de robustesse en machine learning, pour finalement proposer des méthodes adaptées aux problématiques de l'ASM. Nous proposons notamment d'utiliser des réseaux convolutifs de scattering transform apprise (LST). En effet, leurs propriétés mathématiques adaptées à l'ASM et le fait qu'elles soient des architectures profondes intrinsèquement explicables de par leur structure mathématique, en font de bons candidats pour certains problèmes de classification ASM.Pour évaluer les performances des algorithmes d'apprentissages sélectionnés, nous les évaluons au sein d'environnements contrôlés et maîtrisés, via des modèles acoustiques de bruit de navires dont on peut dériver le détecteur de Bayes optimal. Dans ce même cadre d'explicabilité, nous proposons une classe d'architectures profondes bayésiennes permettant d'approximer efficacement la structure mathématique même de ce détecteur optimal, en forçant chaque partie de ces réseaux à remplir un rôle particulier dans la structure du détecteur profond.

Underwater acoustic classification on passive antennas can be seen as a direct extension to detection. Its objective is to identify potential noise sources, according to various operational needs, ranging from collision avoidance, localization of schools of fish to the identification of mechanically propelled vessels (MPV).Generally, an underwater acoustic signal classification system can be broken down into three distinct steps: a phase where characteristics are extracted from the acoustic signal radiated by a source, the selection of suitable characteristics for the classification process and finally the choice of a specific algorithm and the classification itself.The real ocean environment is however a very complex application domain for classification, and classification algorithms that perform well in other application domains may prove inadequate in some operational contexts.What's more, the lack of prior knowledge on ships acoustic information, the unexpected variations in the oceanic environment and the influence of many reverberations before the arrival of signals on sensors, are other factors that contribute to making this a complex problem case for machine learning.Also, in order to minimize the impact of potential classification errors in underwater acoustic, from the user's point of view, there is a need for reliability. It is therefore necessary to be able to characterize the robustness properties of our algorithms and to propose forms of explainability adapted to its use in the underwater acoustic context.In this work, we study the state of the art of acoustic classification methods, but also look at different explicability and robustness methods in machine learning, to finally propose some methods adapted to underwater acoustic problems. In particular, we propose to use a learned based scattering transform (LST) convolutional networks. Indeed, its mathematical properties, adapted to the analysis of underwater acoustic signals and the fact that its mathematical structure lead to an intrinsically explainable architecture, make it a good candidate for certain applications in underwater acoustic classification.To evaluate the performance of state-of-the-art machine learning algorithms and ours, we evaluate them within a controlled environments, via the use of ship noise acoustic models from which we can derive optimal Bayes detectors. Within this same explainability framework, we propose a class of bayesian deep architectures which allows us to efficiently approximate the very mathematical structure of this optimal detector, by forcing each part of these networks to fulfill a particular role in the deep detector structure.