Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

5 juillet 2018

Thèse CIFRE – Thales/Laboratoire I3S - Apprentissage en profondeur fiable et explicable


Catégorie : Doctorant


Contexte de la thèse : L’objectif de cette thèse consiste à développer un algorithme de classification de signaux acoustiques sous-marins avec une architecture profonde fiable et explicable. Actuellement, les réseaux de neurones profonds [1,2] proposent des performances en classification extrêmement prometteuses mais ils sont considérés, à raison, comme des boites noires. La classification de signaux sous-marins [3] ne peut fondamentalement pas dépendre d’un algorithme dont les performances et le fonctionnement restent inexplicables et donc opaques [4]. Ce type de recherche s’inscrit tout à fait dans les perspectives du rapport Villani dans le domaine de l’intelligence artificielle [5].

La thèse se déroulera au sein du laboratoire « Étude Amont » dans l'équipe « Études Générales Sonar » de Thales Underwater Systems et au laboratoire I3S de l’Université Côte d’Azur.

Sujet de la thèse : Un sonar passif capte l’ensemble des signaux acoustiques émis par l’environnement marin (bruit d’animaux, bruit d’hélices, etc.). Sachant que des signaux parfois proches peuvent avoir des origines diverses et des conséquences très différentes en cas de mauvaise reconnaissance, il est extrêmement important d’utiliser des algorithmes de classifications à la fois performants et explicables. Les Réseaux de Neurones Profonds (RNP) constituent actuellement une solution méthodologique très prometteuse mais qui reste opaque. Il est donc légitime, dans le cadre de la classification de signaux sous-marins, d’étudier la performance de ces méthodes en insistant en particulier sur l’explicabilité des modèles de classification qui en découlent. Il s’agit en particulier de justifier de façon raisonnable le choix de l’architecture profonde, la qualité et la robustesse de son apprentissage et ses performances de classification en fonction, notamment, du nombre d’exemples d’entrainement et du rapport signal-sur-bruit des signaux. Ce projet cherche à réaliser un saut théorique et méthodologique capable de surmonter ces contraintes.

 

Les missions :

La thèse souhaite permettre la détection et la classification des signaux acoustiques sous-marins directement à partir des signaux bruts enregistrés (signaux temporels en sortie de formation de voies). Cette thèse vise en particulier trois objectifs qui concernent différents aspects d’une architecture profonde : 1) implémentation d’une architecture profonde pour la classification de signaux bruts, 2) représentation profonde pertinente de signaux acoustiques bruités et 3) conception d’un classifieur profond fiable et explicable. L’objectif 1 est de nature plutôt pratique, l’objectif 2 de nature théorique et l’objectif 3 de nature exploratoire.

Dans ce but, vos missions seront les suivants :

Compétences souhaitées :

Compétences souhaitables :

Durée : 3 ans (CDD CIFRE)

Date de démarrage : octobre 2018.

Localisation : Sophia Antipolis (06)
Les locaux de Thalès et du laboratoire I3S se situent tous les deux à Sophia Antipolis.

Candidature :
Le dossier de candidature sera composé d'un CV détaillé, d'un relevé de notes (si possible de la 1ère année post-bac jusqu’au master/diplôme d’ingénieur), d'une lettre de motivation et des coordonnées d'au moins une personne référente (encadrant de stage, professeur...).
Le dossier sera envoyé par courrier électronique à Laurent Deruaz et Lionel Fillatre (voir contact ci-dessous).
Le dossier doit être transmis au plus tard le vendredi 20 juillet 2018.

Contact :

Références bibliographiques :

[1] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
[2] Yoshua Bengio, Ian J. Goodfellow et Aaron Courville, Deep Learning, MIT Press, 2016.
[3] Gang Hu, Kejun Wang, Yuan Peng, Mengran Qiu, Jianfei Shi, and Liangliang, "Deep Learning Methods for Underwater Target Feature Extraction and Recognition," Intell. Neuroscience, 2018.
[4] J. Andén and S. Mallat, "Deep Scattering Spectrum," IEEE Transactions on Signal Processing, vol. 62, no. 16, pp. 4114-4128, Aug.15, 2014.
[5] Cédric Villani, Donner un sens à l'intelligence artificielle, 2018,
https://www.aiforhumanity.fr/pdfs/9782111457089_Rapport_Villani_accessible.pdf

 

Dans cette rubrique

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