Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

27 juin 2018

Thèse Thales - MINES ParisTech : Filtrage de la fausse alarme par des techniques modernes des réseaux de neurones artificiels


Catégorie : Doctorant


Intitulé de la thèse : Filtrage de la fausse alarme par des techniques modernes des réseaux de neurones artificiels.

 

Thales

Localisation/Site (2 chiffres dépt) : 91

Famille Professionnelle : 04-02 Etudes Amonts

Nom Domaine / BU / Direction / Service :

Domaine Surface Radar (SRA) / Advanced Radar Concepts (ARC)

Contexte de la thèse :

La thèse se déroulera au sein du département Advanced Radar Concepts de l’unité Radar de Surface de Thales. Les études réalisées par le département portent principalement sur les domaines de l'architecture radar, du traitement et de la gestion des senseurs radars.

Sur le plan académique, la thèse se déroulera à MINES Paristech (CMM-Centre de Morphologie Mathématique). Elle sera encadrée par Jesús Angulo et Santiago Velasco-Forero (http://cmm.ensmp.fr/~velasco/)

Les missions :

La thèse s’inscrit dans le cadre du développement de nouveaux algorithmes permettant d’améliorer les performances des radars de Thales. L’objectif de la thèse est d’investiguer l’emploi de techniques récentes basées sur le Machine Learning et sur le Deep-Learning pour gérer efficacement la gestion de fausse alarme liée à un fouillis « cohérent ».

Les techniques considérées sont celles basées sur le Machine Learning pour la classification (Random Forest, Boosted Trees) ou sur les réseaux de neurones artificiels sur les modèles génératifs (Auto-encodeur variationnel, Réseaux antagonistes génératifs).

Les cas d’application étudiés seront issus de données radar réelles, enregistrées sur différents sites. Plus généralement, les données radar étant de nature complexe et multiple (spectre doppler, matrices de covariances, séries temporelles, etc.), l’un des objectifs de la thèse sera de développer des méthodes d’apprentissage profond adaptées aux données non-conventionnelles, typiquement des variétés Riemanniennes et d’autres espaces géométriques non vectoriels.

Pour cela, vous serez chargé de :

Références bibliographiques :

[a] Sea Clutter Reduction and Target Enhancement by NN in a Marine Radar System www.mdpi.com/1424-8220/9/3/1913/pdf

[b] Complex-Valued MLP – application to Pol-SAR data

http://www.ingentaconnect.com/content/asprs/pers/2010/00000076/00000009/art00008

[c] Deep Stochastic Radar Models, https://arxiv.org/pdf/1701.09180.pdf

[d] Convolutional LSTM Network: A Machine Learning -Approach for Precipitation Nowcasting
https://arxiv.org/pdf/1506.04214.pdf

[e] Manifold-valued Image Generation with Wasserstein Adversarial Networks, https://arxiv.org/pdf/1712.01551.pdf

[f] A Riemannian Network for SPD Matrix Learning
https://aaai.org/ocs/index.php/AAAI/AAAI17/paper/viewFile/14633/14371

Pré-requis :

Compétences indispensables :

Durée 3 ans (CDD CIFRE ou CIFRE Défense)

Contact :

Claude Adnet, Thales Air Systems
E-mail : claude.adnet@thalesgroup.com

Jesus Angulo, Mines ParisTech
E-mail : jesus.angulo@mines-paristech.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.