Les réseaux de neurones profonds offrent des gains sans précédents pour résoudre certains problèmes de traitement d'image ou du signal. Cependant, leur nature de boite noire et la nécessité d'avoir une base d’entraînement conséquente sont encore un frein à leur utilisation dans certains domaines. La question de leur utilité se pose également pour les problèmes d'estimation où il existe des modèles paramétriques très proches de la réalité, comme en goniométrie.
Les algorithmes de goniométrie visent à détecter et estimer les angles d'arrivée d'émetteurs radioélectriques dont les signaux sont incidents à un réseau de plusieurs antennes : les signaux en sortie des antennes sont exploités pour estimer les directions d'arrivées à partir d'un modèle paramétrique. Il a été montré que les méthodes parcimonieuses, récemment introduite dans le domaine, permettent d'obtenir des points de fonctionnement inatteignables pour les méthodes conventionnelles. Les inconvénient des ces méthodes peuvent toutefois encore être leur vitesse de convergence ou la présence d'hyperparamètres.
Les méthodes d'estimation parcimonieuses s'étendent naturellement à un contexte d'apprentissage machine, avec les versions dépliées profondes des algorithmes de seuillage itératif qui pourraient lever les verrous précédents. Vous contribuez à l'étude des méthodes de dépliement d'algorithmes (algorithm unrolling/unfolding) dans le cadre de la goniométrie. Les objectifs du stage seront :
1 - de mettre au point les réseaux de neurones correspondants à différents algorithmes itératifs parcimonieux
2 - d'évaluer l'apport des méthodes de dépliement des algorithmes parcimonieux en goniométrie en présence d'erreurs de modèles
3 - d'évaluer l'apport de ces méthodes pour la diminution de la complexité.
Mots clés : traitement du signal, estimation parcimonieuse, optimisation, apprentissage profond
Profil : Nous recherchons un.e candidat.e avec un très bon dossier en traitement du signal et mathématiques appliquées (problèmes inverses, estimation parcimonieuse, optimisation non convexe), avec des connaissances en réseaux de neurones.
Lieu du stage : Le stage s’effectuera au sein de l'entreprise Thales sur le site de Gennevilliers.
Durée du stage : 6 mois à partir de mars 2024 (environ)
Contact : Merci d’adresser votre candidature (CV détaillé, lettre de motivation, notes de licence et master et éventuelles recommandations), en français, à Alice DELMER (alice.delmer@thalesgroup.com). Les dossiers incomplets ne seront pas étudiés.