BROOKS Daniel

doctorant à Sorbonne Université
Équipe : MLIA
https://lip6.fr/Daniel.Brooks

Direction de recherche : Matthieu CORD

Co-encadrement : SCHWANDER Olivier

Apprentissage profond et géométrie de l'information pour la classification des séries chronologiques

Cette thèse s'attaque à la classification de séries temporelles structurées, notamment sous la forme de signaux micro-Doppler radar issus de drones non coopératifs. Nous nous attardons en premier lieu sur la riche structure interne de tels signaux, qui fournit une large variété de représentations physiques, qui à leur tourne permettent le développement de modèles d'apprentissage divers et variés, en particulier des réseaux de neurones de convolutifs, ou sur matrices SPD. Nous montrons ensuite comment adapter certains modèles à la structure interne des données par le biais de la géométrie de l'information, et proposons diverses améliorations desdits modèles. Enfin, nous élaborons un pipeline global de classification, faisant intervenir toutes les représentations et modèles d'apprentissage associés, et en présentons les résultats sur différentes bases de données réelles et synthétiques.

Soutenance : 03/07/2020

Membres du jury :

Mme. Florence Tupin, Professeure, Télécom Paris [Rapporteur]
M. Marco Congedo, CR CNRS, Grenoble [Rapporteur]
M. Yannick Berthoumieu, Professeur, IMS Bordeaux
M. Frédéric Barbaresco, Senior scientist, THALES
M. Hichem Sahbi, CR CNRS, Sorbonne Université
M. Olivier Schwander, MdC, Sorbonne Université
M. Matthieu Cord, Professeur, Sorbonne Université

Date de départ : 03/07/2020

Publications 2018-2020

Toutes Articles de revues Communications Soutenance de thèse

2020
- D. Brooks : “Apprentissage profond et géométrie de l’information pour la classification des séries chronologiques”, soutenance de thèse, soutenance 03/07/2020, direction de recherche Cord, Matthieu, co-encadrement : Schwander, Olivier (2020)
- N. Miolane, N. Guigui, A. Le Brigant, J. Mathe, B. Hou, Y. Thanwerdas, S. Heyder, O. Peltre, N. Koep, H. Zaatiti, H. Hajri, Y. Cabanes, Th. Gerald, P. Chauchat, Ch. Shewmake, D. Brooks, B. Kainz, C. Donnat, S. Holmes, X. Pennec : “Geomstats: A Python Package for Riemannian Geometry in Machine Learning”, Journal of Machine Learning Research, vol. 21 (223), pp. 1-9, (Microtome Publishing) (2020)
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Deep Learning and Information Geometry for Drone Micro-Doppler Radar Classification”, 2020 IEEE Radar Conference (RadarConf20), Florence, Italy, pp. 1-6, (IEEE) (2020)
- N. Miolane, N. Guigui, H. Zaatiti, Ch. Shewmake, H. Hajri, D. Brooks, A. Le Brigant, J. Mathe, B. Hou, Y. Thanwerdas, S. Heyder, O. Peltre, N. Koep, Y. Cabanes, Th. Gerald, P. Chauchat, B. Kainz, C. Donnat, S. Holmes, X. Pennec : “Introduction to Geometric Learning in Python with Geomstats”, SciPy 2020 - 19^th Python in Science Conference, Austin, Texas, United States, pp. 48-57 (2020)
2019
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Riemannian batch normalization for SPD neural networks”, Thirty-third Annual Conference on Neural Information Processing Systems., Vancouver, Canada (2019)
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “A Hermitian Positive Definite neural network for micro-Doppler complex covariance processing”, International Radar Conference, Toulon, France (2019)
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Second-order networks in PyTorch”, GSI 2019 - 4^th International Conference on Geometric Science of Information, vol. 11712, Lecture Notes in Computer Science, Toulouse, France, pp. 751-758, (Springer) (2019)
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Complex-valued neural networks for fully-temporal micro-Doppler classification”, 2019 20^th International Radar Symposium (IRS), 2019 20^th International Radar Symposium (IRS), Ulm, Germany, (IEEE) (2019)
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Exploring Complex Time-series Representations for Riemannian Machine Learning of Radar Data”, ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing, Brighton, United Kingdom, pp. 3672-3676, (IEEE) (2019)
2018
- D. Brooks, O. Schwander, F. Barbaresco, J.‑Y. Schneider, M. Cord : “Temporal Deep Learning for Drone Micro-Doppler Classification”, IRS 2018 - 19^th International Radar Symposium, Bonn, Germany, (IEEE) (2018)