DIAT-RadHARNet : Un réseau de neurones convolutifs léger pour la classification des activités humaines suspectes à partir de radars

La reconnaissance des activités humaines suspectes constitue l’un des enjeux fondamentaux en matière de sécurité nationale. À l’heure actuelle, la conception de modèles de réseaux de neurones convolutifs profonds (DCNN) adaptés à la classification des activités humaines basée sur les signatures micro-Doppler (m-D) connaît un développement rapide. Toutefois, le coût computationnel élevé et le grand nombre de paramètres limitent leur utilisation directe et efficace dans les applications terrain. Cet article présente un nouveau jeu de données dédié aux signatures micro-Doppler, intitulé « DIAT-μRadHAR », couvrant six activités militaires suspectes : ramper, boxer, sauter en tenant un fusil, courir en formation militaire, marcher en formation militaire, ainsi que lancer des pierres ou des grenades, généré à l’aide d’un radar à onde continue (CW) dans la bande X. Par ailleurs, nous proposons un modèle DCNN léger, baptisé « DIAT-RadHARNet », spécifiquement conçu pour la classification de ces activités humaines suspectes. Afin de réduire le coût computationnel et d’améliorer la capacité de généralisation, DIAT-RadHARNet est construit selon quatre principes de conception : convolution séparable par profondeur, pondération des canaux (CHW) fondée sur l’importance des canaux, utilisation de filtres de tailles différentes dans la partie séparable par profondeur, et application de noyaux de tailles différentes sur le même tenseur d’entrée. Le réseau compte 213 793 paramètres répartis sur un total de 55 couches. Nos analyses expérimentales approfondies démontrent que le modèle DIAT-RadHARNet permet une classification efficace des activités avec une précision de 99,22 %, tout en minimisant les faux positifs et les faux négatifs. La complexité temporelle du modèle DCNN proposé, mesurée lors de la phase de test, est de 0,35 seconde. Cette précision et cette complexité temporelle sont maintenues même dans des conditions défavorables, telles que les environnements météorologiques difficiles, les faibles niveaux d’éclairage ou les opérations à longue distance.