Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Collaborative Research and Development Grants

Université Laval

$52,174.00

DRIFTERS: Deep Radar Interpretation For Tracking and Enhancement of Raw Signal

FY 2019-20

Summary
L'apprentissage profond a connu de nombreux succès dans des domaines tels que la vision artificielle et la reconnaissance vocale, en bonne partie grâce à ses capacités d'apprendre des représentations capables de traiter du signal brut pour effectuer des tâches de haut niveau. Dans ce projet de recherche, nous développerons des approches basées sur l'apprentissage profond pour le traitement de signaux radar maritime aéroporté, où le signal est relativement non-structuré et sévèrement bruité. Plus spécifiquement, nous allons évaluer des approches pour 1) supprimer le fouillis de mer et détecter les cibles dans un signal statique; 2) détecter les cibles dans des séquences temporelles de signaux radar; et 3) faire du suivi de cibles à partir de séquences temporelles de signaux radar. De plus, l'apprentissage profond requiert des jeux de données massifs ayant une couverture d'une variété de contextes pour obtenir de bons résultats, alors que les bases de données disponibles publiquement se limitent généralement à des environnements spécifiques. En conséquence, nous allons également explorer des approches basées sur l'apprentissage profond pour améliorer les données obtenues de modèles de simulation, afin d'augmenter le jeu de données et couvrir plus de situations où le signal a des caractéristiques réalistes (ex. composantes de bruit sophistiquées). Ceci a le potentiel de permettre la découverte de meilleures façons de traiter le signal radar et en soi améliorer la performance de dispositifs de captation basés sur cette technologie, avec des impacts potentiels positifs pour la surveillance de milieu côtier pour améliorer la sécurité nationale et la sûreté en milieux maritime.
Program
Collaborative Research and Development Grants
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
537836-2018
Name nom
Gagné, Christian
Department département
Génie électrique et génie informatique
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2019
Competition year année de concours
2018
Award amount
52174
Program id
CRDPJ
Program name en
Collaborative Research and Development Grants
Program name fr
Subventions de recherche et développement coopérative
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
515
Area of application group en
Manufacturing processes and products
Area of application group fr
Procédés et produits industriels
Area of application en
Instrumentation technology
Area of application fr
Technologie de l'instrumentation
Research subject code
2800
Research subject group en
Artificial intelligence
Research subject group fr
Intelligence artificielle
Research subject en
Artificial intelligence (computer vision, use2603)
Research subject fr
Intelligence artificielle (vision artificielle, utiliser 2603)
Installment
inst:1 - 1
Partie
1
Nb partie
1
Application title
DRIFTERS: Deep Radar Interpretation For Tracking and Enhancement of Raw Signal
Keyword
NSERC
Application summary
L'apprentissage profond a connu de nombreux succès dans des domaines tels que la vision artificielle et la reconnaissance vocale, en bonne partie grâce à ses capacités d'apprendre des représentations capables de traiter du signal brut pour effectuer des tâches de haut niveau. Dans ce projet de recherche, nous développerons des approches basées sur l'apprentissage profond pour le traitement de signaux radar maritime aéroporté, où le signal est relativement non-structuré et sévèrement bruité. Plus spécifiquement, nous allons évaluer des approches pour 1) supprimer le fouillis de mer et détecter les cibles dans un signal statique; 2) détecter les cibles dans des séquences temporelles de signaux radar; et 3) faire du suivi de cibles à partir de séquences temporelles de signaux radar. De plus, l'apprentissage profond requiert des jeux de données massifs ayant une couverture d'une variété de contextes pour obtenir de bons résultats, alors que les bases de données disponibles publiquement se limitent généralement à des environnements spécifiques. En conséquence, nous allons également explorer des approches basées sur l'apprentissage profond pour améliorer les données obtenues de modèles de simulation, afin d'augmenter le jeu de données et couvrir plus de situations où le signal a des caractéristiques réalistes (ex. composantes de bruit sophistiquées). Ceci a le potentiel de permettre la découverte de meilleures façons de traiter le signal radar et en soi améliorer la performance de dispositifs de captation basés sur cette technologie, avec des impacts potentiels positifs pour la surveillance de milieu côtier pour améliorer la sécurité nationale et la sûreté en milieux maritime.