Application de l'apprentissage profond à la simulation électromagnétique pour la génération d'images radar

Application of Deep Learning to Electromagnetic Simulation for Radar Images Generation

• Auteur / Autrice : Léo Monnier
• Direction : Alexandre Baussard
• Type : Projet de thèse
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Sciences Pour l'Ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique et Société Numérique

Mots clés

Mots clés libres

Ia

Imagerie Radar

Electromagnetisme

Pinn

Ai

Radar Imagery

Elecromagnetism

Pinn

Résumé

Dans le domaine de la reconnaissance automatique de cibles dans des images radar et dans un contexte militaire, le nombre d'images réelles annotées pour l'entrainement de classifeurs est souvent très limité. Pour pallier ce manque, il est possible de générer des données synthétiques, mais qui doivent être suffisamment réalistes pour garantir des performances de classification élevées. Pour cela il est possible de mettre en œuvre des modèles physiques permettant de simuler l'interaction des ondes électromagnétiques avec un objet dans son environnement. Une autre option consiste à générer directement les images via des modèles de génération d'images. Ces deux approches ont chacune des inconvénients comme les temps de calcul pour des modèles physiques exact où le manque de prise en compte de la physique pour les modèles de génération d'images, et dans les deux cas les images radar ainsi générées ne présentent pas des caractéristiques assez réalistes. Les récentes avancées sur les réseaux de neurones informés par le physique (Physics-Informed Neural Networks, PINNs) semblent prometteuses pour permettre de pallier ces inconvénients. L'objectif de cette thèse est d'évaluer et de développer ces approches dans le cadre spécifique du radar.

In the field of automatic target recognition in radar images and in a military context, the number of real images annotated for training classifiers is often very limited. To overcome this shortcoming, it is possible to generate synthetic data, but these must be sufficiently realistic to guarantee high classification performance. To achieve this, physical models can be used to simulate the interaction of electromagnetic waves with an object in its environment. Another option is to generate images directly using image generation models. Both approaches have their drawbacks, such as the computation time required for exact physical models or the lack of physics consideration for image generation models, and in both cases, the generated radar images do not present sufficiently realistic characteristics. Recent advances in Physics-Informed Neural Networks (PINNs) show promise in overcoming these drawbacks. The aim of this thesis is to evaluate and develop these approaches in the specific context of radar.