Monsieur Reihan MAZOUZ
Sciences du traitement du signal et des images
Soutiendra publiquement ses travaux de thèse intitulés
Détection, caractérisation et classification de signaux radar LPI par méthodes d’intelligence artificielle
Travaux dirigés par Monsieur José PICHERAL
Soutenance prévue le lundi 06 juillet 2026 à 14h00
Lieu : CentraleSupélec, 3 Rue Joliot Curie, 91190 Gif-sur-Yvette
Salle : l’Amphi IV – bâtiment Eiffel
Composition du jury proposé
Mme Alina CIOCARLAN Ingénieure de recherche Agence Ministérielle pour l’IA de Défense (AMIAD) Examinatrice
M. Jocelyn CHANUSSOT Directeur de recherche INRIA Examinateur
M. Hervé GLOTIN Professeur des universités Université de Toulon Examinateur
M. Ali KENCHAF Professeur des universités ENSTA (Bretagne) – Institut Polytechnique de Paris Rapporteur
M. Minh-Tan PHAM Maître de conférences Université Bretagne Sud Rapporteur
M. Chakib BELAFDIL Avantix/Atos Invité
Mme Sylvie MARCOS CNRS Invitée
Mots-clés : radar LPI, détection statistique, analyse temps–fréquence, apprentissage profond, vision par ordinateur
Résumé :
Les signaux radar à faible probabilité d’interception (Low Probability of Intercept) sont conçus pour limiter leur détectabilité par les systèmes d’interception passifs. Leurs faibles niveaux d’énergie, leurs modulations complexes et leur forte variabilité temps–fréquence rendent leur détection difficile dans des environnements bruités et interférés. Dans ce contexte, cette thèse étudie différentes approches dédiées à la détection, à la caractérisation et à la classification de signaux radar LPI. Une première partie des travaux porte sur l’adaptation l’architectures de détection d’objets de type YOLO à l’analyse de spectrogrammes radar. Le problème de détection est reformulé comme une tâche de localisation et de classification dans le plan temps–fréquence. Les performances obtenues sont comparées à celles d’une approche statistique fondée sur un test généralisé de vraisemblance par grille. Les résultats montrent que les approches d’apprentissage profond améliorent significativement les performances de détection en faible rapport signal sur bruit. Une seconde contribution concerne l’étude d’approches probabilistes fondées sur les modèles de Markov cachés. L’objectif est d’exploiter certaines contraintes physiques liées à l’évolution des signaux dans le plan temps–fréquence tout en réduisant la dépendance aux données annotées. Les méthodes proposées intègrent l’énergie des signaux le long de trajectoires temps–fréquence cohérentes et offrent une meilleure interprétabilité que les approches neuronales classiques. Cependant, elles restent difficilement généralisables à des contextes d’interception radar réalistes. La robustesse des détecteurs profonds est ensuite étudiée en présence d’interférences, de formes d’ondes inconnues et lors du passage de données simulées vers des données réelles. Les résultats montrent que les modèles profonds conservent des performances pertinentes
malgré les variations de distribution entre données d’entraînement et de test. Enfin, la principale contribution de cette thèse est l’introduction d’une architecture d’apprentissage profond multi-résolution, nommée MRS-YOLO, dédiée à l’analyse simultanée de plusieurs spectrogrammes de résolutions différentes. L’approche proposée repose sur un traitement parallèle des représentations temps–fréquence suivi d’une fusion intermédiaire des espaces latents. Les résultats expérimentaux montrent que la multi-résolution améliore significativement la détection et la classification des signaux, notamment en faible SNR. Les expériences réalisées sur des données réelles de bioacoustique marine montrent également que les bénéfices de cette approche dépassent le cadre des signaux radar LPI.
Dans l’ensemble, ces travaux mettent en évidence l’intérêt de combiner représentations temps–fréquence, méthodes probabilistes et architectures d’apprentissage profond pour le développement de futurs systèmes d’interception radar opérant dans des environnements électromagnétiques complexes et bruités.
Summary:
Low Probability of Intercept (LPI) radar signals are designed to reduce their detectability by passive interception systems. Their low energy levels, complex modulations, and strong time-frequency variability make their detection particularly challenging in noisy and interfered environments. In this context, this thesis investigates several approaches dedicated to the detection, characterization, and classification of LPI radar signals using time-frequency representations. A first part of this work focuses on the adaptation of YOLO-based object detection architectures to radar spectrogram analysis. The radar detection problem is reformulated as an object localization and classification task in the time-frequency plane. The obtained performances are compared with those of a conventional statistical approach based on a grid-based Generalized Likelihood Ratio Test (grid-GLRT). The results show that deep learning approaches significantly improve detection and characterization performances in low signal-to-noise ratio regimes. A second contribution investigates probabilistic approaches based on
Hidden Markov Models. The objective is to explicitly exploit physical constraints related to signal evolution in the time-frequency plane while reducing the dependence on annotated data. The proposed methods integrate signal energy along coherent time-frequency trajectories and provide improved interpretability compared to standard neural approaches. However, these methods remain difficult to generalize to more realistic radar interception scenarios involving complex electromagnetic environments. The robustness of deep learning detectors is then studied in the presence of interference, unknown waveforms, and domain shifts between simulated and real-world data. The obtained results show that deep models maintain relevant performances despite distribution mismatches between training and testing datasets. Finally, the main contribution of this thesis is the introduction of a deep learning architecture dedicated to the simultaneous analysis of multiple spectrograms with different resolutions. The proposed approach, named MRS-YOLO, relies on a parallel
processing of time-frequency representations followed by an intermediate fusion of latent spaces. Experimental results show that the multi-resolution strategy significantly improves signal detection and classification, particularly in low SNR regimes. Experiments conducted on real marine bioacoustic data also demonstrate that the benefits of this approach extend beyond the specific context of LPI radar signals. Overall, this work highlights the relevance of combining time-frequency representations, probabilistic methods, and deep learning architectures for the development of future radar interception systems operating in complex and highly noisy electromagnetic environments.
