mardi 19 mai 2026

par BUTEL Nathalie

Antonio Soggia, défendra sa thèse de doctorat le mardi 19 mai 2026 à 14h au laboratoire i3S dans la salle 007, bâtiment Euclide B.

Sa thèse intitulée « Détection augmentée et pistage en trois dimensions de sources acoustiques par réseaux de neurones profonds, interprétabilité et robustesse » a été réalisée dans le pôle SIS sous la direction de Lionel Fillatre.

La présentation sera en français.

 

Résumé :

Cette thèse porte sur le débruitage et la détection de sources acoustiques sous-marines à faible SNR dans des sonar passifs large bande.

Les architectures actuelles fournissent à l'opérateur humain une représentation bidimensionnelle (gisement-temps) de l'énergie acoustique, dont l'interprétation repose sur le contraste visuel et la continuité temporelle des signatures. 

Les futures antennes bidimensionnelles permettront une reconstruction 3D (gisement-site-temps) et rendent ainsi nécessaire le développement de méthodes automatiques robustes capables d'exploiter l'explosion du volume d'informations engendrée par la présence d'une dimension supplémentaire.

L'objectif principal de la thèse est de concevoir des architectures de réseaux de neurones 

profonds dédiées au débruitage et à la détection de sources faibles évoluant dans un environnement 

multi-sources complexe. Les données utilisées sont générées par un simulateur physique 

développé dans le cadre de la thèse, intégrant des phénomènes de propagation, d'atténuation et de réflexions multiples.

Une première contribution consiste dans le développement d'AntoNet, une architecture convolutionnelle inspirée de UNet, développée en une version linéaire et une version non linéaire, adaptée au débruitage de signaux bidimensionnels. 

Les performances sont évaluées avec des courbes ROC et démontrent un gain proche de la limite théorique en probabilité de détection à taux de fausse alarme fixé, notamment dans des scénarios à très faible SNR.

Une extension tridimensionnelle, AntoNet-3D, est ensuite proposée afin 

de traiter directement les volumes gisement-site-temps. 

Cette architecture, inspirée sur la version bidimensionnelle permet soit une sortie volumétrique, 

soit des restitutions bidimensionnelles à l'aide de projections. 

Dans ce cas aussi, nous trouvons des performances de débruitage proches de la limite théorique, malgré la limitation de la taille des modèles tridimensionnels due à la complexité accrue engendrée par la dimension supplémentaire.

Un troisième axe concerne l'interprétabilité et la robustesse des modèles. 

Nous avons effectué une étude théorique approfondie d'un UNet très simplifié, incluant les ensembles de minimiseurs et des propriétés de convergence du modèle sous flot de gradient. 

Cette approche permet ainsi de mesurer les contributions apportées par la linéarité du modèle et, en complément, les contributions des non-linéarités.

Enfin, la thèse ouvre des perspectives vers un apprentissage multitâche 

combinant débruitage et pistage au sein d'un même réseau, ainsi que vers 

une validation sur données réelles.

Les résultats obtenus montrent que l'apprentissage profond par CNNs reste une approche efficace pour la détection augmentée de sources acoustiques sous-marines en trois dimensions.