Détection augmentée et pistage en trois dimensions de sources acoustiques par réseaux de neurones profonds, interprétabilité et robustesse

Three dimensional augmented detection and tracking of acoustic sources using deep neural networks, interpretability and robustness

• Auteur / Autrice : Antonio Soggia
• Direction : Lionel Fillatre
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 02/11/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis

Mots clés

Mots clés libres

Réseaux de neurones profonds

Pistage

Détection

Deep neural networks

Tracking

Detection

Résumé

Dans les systèmes de sonar passif large bandes actuel, un opérateur humain veille une image 2D représentant les différents niveaux d'énergie dans les dimensions gisement et temps. Le contraste de l'image et sa profondeur temporelle lui permet de détecter et d'identifier les chemins empruntés (pistage) par les différentes sources en présence. L'objectif de la thèse est d'expérimenter des méthodes à base de réseaux de neurones pour détecter et pister des sources de bruits faibles par rapport au bruit ambiant parmi un nombre plus ou moins important de source fortes évoluant dans un volume 3D en site-gisement temps. Les données seront générées par un simulateur codé dans le cadre de la thèse. Un objectif secondaire est la préservation des capacités de détection d'un opérateur humain par présentation d'une image 2D à rapport signal sur bruit augmenté, par rapport à celui présent dans le volume 3D, en exploitant la profondeur temporelle des données. Un troisième objectif de ce projet de thèse consiste à développer des algorithmes avec une architecture profonde fiable et explicable. En effet, les réseaux de neurones profonds proposent des performances en classification extrêmement prometteuses mais ils sont considérés, à raison, comme des boîtes noires.

In current broadband passive sonar systems, a human operator watches a 2D image representing different energy levels in the bearing and time dimensions. The contrast of the image and its temporal depth allows him to detect and identify the paths taken (tracking) by the different sources present. The objective of the thesis is to experiment with neural network-based methods the detection and tracking of weak noise sources in relation to the ambient noise among a more or less important number of strong sources evolving in a 3D volume in site-bearing time. The data will be generated by a simulator coded in the framework of the thesis. A secondary aim is to preserve the detection capabilities of a human operator by presenting a 2D image with an increased signal-to-noise ratio, compared to the one present in the 3D volume, by exploiting the temporal depth of the data. A third objective of this thesis project is to develop algorithms with a reliable and explainable deep architecture. Indeed, deep neural networks offer extremely promising classification performances but they are considered (for good reasons) as black boxes.