Description du sujet de thèse

La détection et la classification de petits objets mobiles dans une vidéo constitue un axe de recherche particulièrement actif compte tenu des enjeux industriels et sociétaux actuels (véhicules autonomes, luttes contre la menace asymétrique, ...). En matière de sécurité notamment, la furtivité du drone sur de longues distances et la modicité de son coût permet à des opérateurs malveillants de remettre en cause la sécurité d'installations sensibles et de personnes. Cependant, les méthodes de détection classiques sont prises en défaut dans le cas d'un objet mobile de petite taille, tel qu'un drone, en raison d'une faible résolution spatiale (la surface de la cible se réduit souvent à quelques pixels) ainsi qu'au flou de mouvement.
Cette thèse a pour objet d'étudier une approche qui consiste à intégrer au processus d'identification des caractéristiques liées à la dynamique de vol. Les objectifs concernent plus particulièrement l'étude et le développement des différents aspects relatifs à la détection, au pistage et à classification de cibles mobiles en utilisant simultanément des caractéristiques optiques et liées à la dynamique. Ces différents aspects seront étudiés conjointement avec pour objectif de proposer une approche unifiée. Les pistes envisagées concernent notamment l'utilisation d'une approche de pistage par modèles multiples intégrant des modèles de déplacement résultants de l'apprentissage. Le pistage devra également utiliser les caractéristiques optiques extraites par le processus de classification. Les différentes informations (optiques et et liées à la dynamique) permettant la classification de la cible seront intégrées de façon incrémentale à l'aide d'un modèle récurrent (type LSTM ou GRU).
L'étude concernera également les aspects liés à l'apprentissage des modèles dans ce contexte particulier pour lequel il n'existe pas de base annotée et pour lequel la constitution d'une telle base reste un verrou.
Différentes approches sont envisagées contourner ce problème dont notamment :
• Le recours au « réglage fin » (fine tuning) du modèle dont les différents modules (relatifs à l'extraction des caractéristiques optiques et liées à la dynamiques) seront pré-entrainés séparément.
• La génération de données synthétiques par une approche globale ou locale utilisant un modèle de réseau de neurones génératif (GAN ou VAE).
• L'utilisation de méthodes d'apprentissage non-supervisées ou faiblement supervisées.

Contexte de travail

La thèse se déroulera dans les locaux de laboratoire LIS UMR 7020 (www.lis-lab.fr) à l'Université de Toulon. Le LIS mène des recherches fondamentales et appliquées dans les domaines de l'informatique, de l'automatique, du signal et de l'image. Il est composé de 20 équipes de recherche et structuré en 4 pôles. Le doctorant sera intégré à l'équipe SiIM du pôle "Signal & Image".

Contraintes et risques

Pas de risques particuliers