Pierre BERNABE : "Apprentissage auto-supervisé pour la détection d’anomalies en temps quasi réel dans la surveillance maritime en haute mer"

Résumé :  Pour assurer la sécurité, la sûreté et l’intégrité environnementale des océans, la surveillance maritime est essentielle. Dans le cas de la navigation en haute mer, les données du Système d’Identification Automatique (AIS) basées sur satellite servent souvent de seule source d’information pour surveiller les mouvements des navires. Cependant, ces données sont irrégulières, incomplètes et non étiquetées, alors comment les exploiter efficacement ? L’objectif de cette thèse est d’aborder ce défi en introduisant des modèles d’apprentissage automatique auto-supervisés spécialement conçus pour la détection d’anomalies en quasi temps réel en utilisant uniquement des données AIS capturées par satellite. Pour cela, nous proposons un modèle innovant d’apprentissage automatique auto-supervisé capable de différencier les arrêts délibérés des transpondeurs AIS de simples messages AIS manquants. Le modèle utilise une architecture basée sur des extit{transformers} pour identifier des motifs temporels et spatiaux complexes dans les trajectoires des navires sans nécessiter d’échantillons annotés manuellement. Le modèle identifie des anomalies lorsque les messages ne sont pas reçus comme prévu en formulant le problème comme une tâche de prédiction et en déterminant si un message AIS aurait dû être reçu dans un certain délai, indiquant ainsi des arrêts potentiellement intentionnels des transpondeurs AIS. Pour identifier les anomalies de trajectoire, nous créons des modèles d’autoencodeurs sensibles au contexte en intégrant des données spécifiques aux navires, comprenant son type et l’état de navigation. Ces modèles identifient efficacement des anomalies spécifiques au contexte en développant des décodeurs spécialisés pour chaque contexte de navires. De plus, nous proposons une méthode pour regrouper automatiquement des contextes similaires basés sur leurs schémas comportementaux afin de minimiser les coûts de calcul. Cette approche permet d'aborder la complexité causée par la variété des comportements des navires en haute mer. [...]

Composition du jury :

Fabrice BOUQUET, Professeur, Université Bourgogne Franche-Comté, Directeur de thèse

Ronan FABLET, Professeur, IMT Atlantique, Rapporteur

Alain BOUJU, Maître de conférences, Université de La Rochelle, Rapporteur

Bruno LEGEARD, Professeur, Université Bourgogne Franche-Comté, CoDirecteur de thèse

Olga KOUCHNARENKO, Professeure, Université Bourgogne Franche-Comté, Examinateur

Aymeric CRETIN, Responsable scientifique, Smartesting, Examinateur

Localisation : Salle des Actes  - 16, route de Gray Métrologie B - UFR ST