Développement d'un modèle fondation pour le renseignement d'origine électromagnétique (ROEM) : Application à des tâches downstream sur signaux hyperfréquences

Le renseignement d'origine électromagnétique (ROEM) vise à extraire de l'information à partir de signaux électromagnétiques, tels que les émissions radio ou radar. Les traitements classiques incluent la détection, l'identification, la localisation et le pistage de sources. Dans de nombreux cas, le signal capté est un mélange de plusieurs sources, ce qui nécessite leur séparation. Les signaux considérés ici sont des signaux hyperfréquences, dont les fréquences peuvent atteindre plusieurs dizaines de GHz et couvrir de larges bandes spectrales. Leur traitement constitue une discipline complexe et spécifique. Adapter ces techniques à un nouveau type de signal ou à une application particulière exige généralement des ressources importantes et des données étiquetées, difficiles à obtenir dans des contextes sensibles comme le ROEM. Récemment, l'apprentissage profond a ouvert des pistes prometteuses, notamment avec le développement de modèles fondations (inspirés des progrès en traitement automatique de la parole et en traitement image/vidéo) [11, 1, 10]. Ces modèles permettent de mutualiser les efforts : les applications downstream (classification, séparation de sources, localisation, etc.) peuvent être développées à partir d'un modèle unique ou d'une famille réduite de modèles, réduisant ainsi les coûts d'adaptation en termes de données et de mise au point. Ce projet de thèse a pour objectif de développer un modèle fondation dédié au ROEM et d'étudier son application à des tâches clés du domaine, telles que la classification de modulation, la séparation de sources, la localisation ou le pistage. École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Direction : Jean-François BONASTRE Financement : Programmes ministériels spécifiques