CURRICULUM VITAE

La détection d'anomalies vise à découvrir les motifs anormaux cachés dans les signaux et les images de radar multidimensionnel. Ce champs de recherche est essentiel dans l'exploration de données pour isoler rapidement des sections irrégulières ou suspicieuses dans de grandes quantités de données. Les applications sont multiples: Détection des marées noires, de Sillage de navires ou l'Archéologie. De nombreuses données sont à disposition, comme celles provenant du satellite Sentinel 1, du radar aéroporté du Laboratoire de recherche sur la propulsion par réaction de la NASA, du satellite ALOS-2, du satellite TerraSAR-X, etc. Fautes de labellisation, la détection d'anomalies s'appuie sur les algorithmes d'apprentissage non supervisé et semi-supervisé. Avec la montée en puissance des techniques d'apprentissage auto-supervisé and des réseaux neuronaux profonds, les caractéristiques des données peuvent être vectorisées et ne nécessite que peu voire pas de données labellisées. La thèse vise à guider le processus d'apprentissage auto-supervisé afin d'extraire les représentations de données adaptées pour la détection d'anomalie. Ces caractéristiques comprennent les diversités des images SAR:

• Polarimétrie et Interférométrie
• Multibandes
• Représentations à plusieurs niveaux
• Informations sur les phases des signaux d'images à valeurs complexes