Sélection et reconnaissance de drones par Deep Learning

Drone recognition with Deep Learning

• Auteur / Autrice : Julien Gérard
• Direction : Joanna Tomasik, Christèle Morisseau, Arpad Rimmel, Gilles Vieillard
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/02/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : Equipe de recherche : GALaC
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Jury : Président / Présidente : Devan Sohier
• Jury : Examinateurs / Examinatrices : Tristan Cazenave, Laurent Ferro-Famil, Alexandre Benoît, Mihai Datcu, Olivier Schwander
• Jury : Rapporteur / Rapporteuse : Tristan Cazenave, Laurent Ferro-Famil

Mots clés

Mots clés contrôlés

Drones

Réseaux neuronaux (informatique)

Apprentissage profond

Mots clés libres

Micro-Doppler

Drones

Réseaux de neurones

Apprentissage profond

Micro-Doppler

Drone

Neural network

Deep Learning

Résumé

Cette thèse étudie la reconnaissance de signaux radar micro-Doppler de drones par des méthodes d’apprentissage profond (Deep Learning). Le phénomène micro-Doppler est un ensemble de modulations de fréquence créé par les mouvements internes de la cible observée. Tout d’abord, nous avons analysé les différentes données existantes : simulations, données collectées accessibles. Nous examinons alors les limites de ces données. Afin de s’en affranchir, nous avons effectué une campagne de mesure adaptée. Une fois les données collectées, nous avons étudié l’impact des différents espaces de représentation afin de proposer à la communauté un format standard pour un usage Deep Learning. Nous abordons alors un problème majeur en radar : le manque de données. Nous explorons alors la piste de l’augmentation de données par des GANs. Nous proposons une mesure de la qualité de ces algorithmes basés sur des critères d’utilités de la génération et non du réalisme de celle-ci. Avec cette mesure, nous avons observé une amélioration statistiquement significative des performances de classification grâce aux signaux générées par GAN. Encouragé par ce résultat, nous implémentons des GANs plus avancés combinant vérité terrain et signaux réels. Nos expériences nous permettent alors d’atteindre les performances précédentes. Actuellement, nous identifions des axes de résolutions, que nous prévoyons de développer, pour les dépasser.

We work on the recognition of radar micro-Doppler signals of drones thanks to Deep Learning tools. The micro-Doppler phenomenon consists in a frequency modulation set created by the intern movements of the observed target. First, we analyze the different existing data : simulations, collected data available. We examine their limitations and carry out a measurement campaign to tackle them. Once our data is collected, we study the impact of the different space representations to propose a standard format adapted for Deep Learning. We continue our research on a major radar problem : the lack of data. Thus, we explore the data augmentation with GANs. We propose a measure of the quality of these algorithms based on utility criteria, and not on the realism of generated data. We observe a statistically significant improvement of classifications thanks to the signals generated by our GANs. Encouraged by this result, we implement more advanced GANs conjugating ground truth and real data. As we identified possible resolution axes we currently develop them.