Projet de Recherche Doctorale (PRD)

Le deep learning a considérablement fait progresser les tâches de classification de signaux radar, telles que la reconnaissance d’activités humaines basée sur le micro-Doppler et la reconnaissance automatique de cibles dans des domaines comme les systèmes de sécurité intelligents, le suivi de santé et l’informatique interactive [1]. Cependant, les classificateurs purement guidés par les données (data-driven) se généralisent mal en dehors de leur distribution d’entraînement, offrent une interprétabilité limitée et s’avèrent coûteux à réentraîner pour de nouveaux capteurs, environnements ou classes de cibles [2]. À l’inverse, le traitement radar classique fondé sur des modèles physiques (filtrage adapté, détection CFAR, modèles de mouvement paramétriques) repose sur des principes physiques solides, est interprétable et peu gourmand en données, mais nécessite un réglage manuel et se dégrade en présence de bazar (clutter) non stationnaire ou de nouvelles conditions d’exploitation. 

Un nombre croissant de travaux sur le déroulement d’algorithmes (algorithm unrolling) répond à cette tension en transformant les itérations d’un algorithme fondé sur un modèle en couches d’un réseau entraînable, préservant ainsi la structure de l’algorithme tout en permettant d’apprendre ses paramètres à partir des données [3]. Des travaux récents l’ont démontré spécifiquement pour la détection radar, en déroulant la chaîne CFAR sous la forme d’une architecture entraînable qui conserve l’interprétabilité du détecteur tout en éliminant le besoin de réglage manuel du seuil [4]. Parallèlement, les hyperréseaux (hypernetworks), des réseaux qui génèrent les poids d’un autre réseau plutôt que d’être entraînés directement, ont été utilisés pour synthétiser des adaptateurs de bas rang (low-rank adapters, LoRA) spécifiques à une tâche pour de grands modèles en une seule passe avant, évitant ainsi le coût d’un ajustement fin (fine-tuning) par tâche [5]. 

Cette thèse combine ces deux axes dans un contexte radar : un hyperréseau génère les paramètres étape par étape d’une chaîne de traitement radar déroulée et physiquement fondée, conditionnée par des informations contextuelles extraites d’une base de connaissances structurée (configuration des capteurs, descripteurs d’environnement, rapports de scénarios antérieurs) ; un niveau agentique gère ensuite le moment où il convient de faire confiance à la chaîne purement physique, à la chaîne adaptée par l’hyperréseau ou à un modèle entièrement appris. Le résultat conserve le traitement fondé sur des modèles comme colonne vertébrale interprétable par défaut, tout en ne permettant un affinement ciblé, guidé par les données et informé par l’extraction d’information que là où son apport est démontrable. 

• Formaliser une version déroulée (deep-unfolded) d’une chaîne classique de traitement de signal radar (détection CFAR et/ou extraction de caractéristiques micro-Doppler) qui préserve l’interprétabilité physique tout en exposant un ensemble compact de paramètres entraînables. 

• Concevoir un hyperréseau qui génère ces paramètres de manière dynamique, conditionné par les connaissances contextuelles extraites et/ou les caractéristiques du signal radar entrant. 

• Concevoir une politique d’orchestration agentique qui sélectionne, pour chaque entrée, entre la chaîne basée sur un modèle physique, la chaîne adaptée par l’hyperréseau et un modèle de repli entièrement appris, afin d’équilibrer précision, latence et interprétabilité. 

• Construire une chaîne de recherche et d’extraction d’information (retrieval pipeline) préservant la structure sur la littérature du traitement du signal radar et la documentation système pour fonder les décisions d’adaptation et les explications de l’agent. 

• Valider le cadre méthodologique sur une tâche concrète de classification radar (candidat : reconnaissance d’activités humaines basée sur le micro-Doppler, extensible à la classification de drones/SDA). 

• Solides bases en mathématiques (algèbre linéaire, optimisation, probabilités/statistiques). 

• Bonnes connaissances en traitement du signal et, idéalement, première expérience avec les systèmes radar ou de détection. 

• Expérience pratique en apprentissage automatique et deep learning (PyTorch/TensorFlow), incluant une certaine familiarité avec la génération augmentée par récupération (RAG), l’ajustement fin à faible nombre de paramètres (PEFT / LoRA) ou les hyperréseaux. 

• Maîtrise de la programmation en Python ; aisance dans la lecture et l’implémentation d’algorithmes issus d’articles de recherche. 

• Intérêt pour les approches hybrides (modèle physique / guidées par les données) et l’IA explicable (XAI), plutôt que pour le deep learning de type « boîte noire ». 

• Apprécié mais non obligatoire : expérience avec les systèmes LLM agentiques ou les chaînes de raisonnement multi-étapes. 

• Bon niveau d’anglais écrit et oral, autonomie et curiosité scientifique. 

Master (Bac+5) ou équivalent (Diplôme d’Ingénieur français ou Master 2 Recherche) en mathématiques appliquées, traitement du signal, génie électrique, informatique ou intelligence artificielle, finalisé d’ici le début de la thèse. 

Prof. Lina Mroueh, PhD – HDR: lina.mroueh@isep.fr 

Dr. Idowu Ajayi, PhD: idowu.ajayi@isep.fr