Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

1. Problématique et Contexte

L'augmentation massive des drones (UAV) civils et commerciaux pose des défis majeurs en matière de sécurité aérienne, de vie privée et de surveillance. Les systèmes de reconnaissance actuels basés sur les signaux radiofréquences (RF) souffrent de deux limitations critiques :

• Hypothèse de l'ensemble fermé (Closed-Set) : La plupart des méthodes supposent que tous les types d'UAV sont connus lors de l'entraînement. Dans un environnement réel, de nouveaux modèles ou des mises à jour matérielles apparaissent constamment. Les classificateurs traditionnels tendent alors à surconfiance (overconfidence) et à classer à tort des drones inconnus comme appartenant à des classes connues.
• Absence d'apprentissage continu : Même si un système détecte un signal inconnu, il ne l'apprend pas. Les approches existantes de reconnaissance en ensemble ouvert (Open-Set Recognition - OSR) se contentent souvent de rejeter les inconnus sans les caractériser ni les intégrer au modèle. De plus, l'apprentissage incrémental (Incremental Learning - IL) pour les signaux RF est difficile en raison de la variabilité des signaux, de la dépendance à l'environnement et du risque d'oubli catastrophique (catastrophic forgetting) lors de l'ajout de nouvelles classes.

L'objectif est donc de concevoir un système capable de classifier les UAV connus, de détecter et d'isoler les UAV inconnus, de découvrir de nouvelles catégories de manière non supervisée, et d'intégrer ces nouvelles connaissances sans réentraîner le modèle depuis zéro ni oublier les anciennes classes, le tout sous des contraintes de mémoire et de calcul strictes.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'apprentissage unifié combinant la reconnaissance en ensemble ouvert, la découverte de nouvelles classes par clustering et l'apprentissage incrémental avec replay. L'architecture se décompose en quatre étapes principales :

A. Apprentissage d'Encodage Sémantique (Semantic Embedding)

Les signaux RF bruts (échantillons I/Q) sont transformés en spectrogrammes via la transformée de Fourier à court terme (STFT). Un encodeur hybride $E_\theta$ traite ces spectrogrammes :

• Extraction de texture (CNN) : Utilise des convolutions dilatées multi-échelles pour capturer les textures spectrales fines et les enveloppes temporelles.
• Encodeur Positionnel (Transformer) : Utilise l'attention auto-organisée avec des encodages de position sinusoïdaux pour modéliser les dépendances à long terme et la localité temps-fréquence.
• Fusion : Les caractéristiques sont fusionnées et projetées dans un espace d'embedding sémantique compact via des couches non linéaires.
• Optimisation : L'entraînement utilise une fonction de perte composite ($L_{feat}$) combinant la compacité intra-classe, la séparation inter-classe et la perte d'entropie croisée.

B. Reconnaissance en Ensemble Ouvert (OSR)

Une fois les classes connues apprises, chaque classe est modélisée par des statistiques gaussiennes (vecteur moyen $\mu_k$ et matrice de covariance $\Sigma_k$).

• Décision : Lors de l'inférence, la distance de Mahalanobis entre un nouvel échantillon et les distributions connues est calculée.
• Seuil adaptatif : Un seuil $\tau_k$ est défini par la règle des « trois sigmas » (couvrant 99,7% de la distribution intra-classe).
• Rejet : Si la distance minimale dépasse le seuil, l'échantillon est rejeté comme « inconnu » et stocké dans un tampon pour une analyse ultérieure.

C. Découverte de Nouvelles Classes par Clustering

Les échantillons rejetés sont regroupés pour identifier de nouvelles catégories d'UAV :

• Prétraitement : Réduction de dimensionnalité (PCA) si nécessaire pour améliorer la stabilité.
• Stratégie de sélection de modèle : Le système compare deux algorithmes de clustering : K-Means et les Modèles de Mélange Gaussien (GMM).
• Score de validité composite : Le nombre optimal de clusters $k^*$ est déterminé en maximisant un score $Q(k)$ qui pondère quatre métriques : Silhouette, Calinski-Harabasz, Davies-Bouldin et la variance expliquée.
• Filtrage : Seuls les clusters avec une pureté suffisante et une taille adéquate sont retenus comme nouvelles classes candidates.

D. Apprentissage Incrémental avec Replay Léger

Pour intégrer les nouvelles classes sans oublier les anciennes :

• Mémoire de Replay : Un tampon mémoire limité ($M$) stocke un nombre restreint d'échantillons représentatifs des classes anciennes.
• Mise à jour : Le modèle est mis à jour en entraînant sur un mini-lot mixte contenant les nouvelles classes et les échantillons de replay.
• Contrainte : Cette approche permet de maintenir la performance sur les anciennes classes tout en apprenant les nouvelles, avec un coût de stockage minimal.

3. Contributions Clés

1. Cadre Unifié : Première intégration cohérente de la détection en ensemble ouvert, de la découverte de classes par clustering et de l'apprentissage incrémental pour la reconnaissance UAV par RF.
2. Stratégie de Clustering Robuste : Mécanisme automatique de sélection de modèle (K-Means vs GMM) basé sur un score de validité composite, assurant une découverte fiable même dans des conditions RF bruyantes.
3. Mécanisme d'Apprentissage Incrémental Économe : Utilisation d'une stratégie de replay bornée (bounded replay) qui atténue efficacement l'oubli catastrophique avec un budget mémoire très faible.

4. Résultats Expérimentaux

Les expériences ont été menées sur un jeu de données réel d'UAV RF comportant 24 classes (18 connues pour l'entraînement, 6 inconnues pour l'évaluation).

• Détection en Ensemble Ouvert : La matrice de confusion normalisée montre une forte dominance diagonale pour les classes connues et un rejet efficace des inconnus, confirmant que la frontière de décision basée sur la distance de Mahalanobis sépare bien les catégories non vues.
• Découverte de Classes : La visualisation t-SNE révèle une forte corrélation entre les clusters prédits et les classes réelles inconnues. Le score de validité composite a sélectionné K-Means comme meilleur modèle (Score composite : 0,770, Pureté : 0,921) par rapport au GMM.
• Performance Incrémentale :
  • Sans replay ($old\_max = 0$) : L'oubli catastrophique est total (0% de précision sur les anciennes classes).
  • Avec un petit budget de replay ($old\_max = 5$) : La précision sur les anciennes classes revient à 100%, tout en maintenant une précision de 98,1% sur les nouvelles classes.
  • Augmenter davantage le budget de replay n'apporte que des améliorations négligeables, prouvant l'efficacité de l'approche.

5. Signification et Conclusion

Ce travail démontre la viabilité d'un système de reconnaissance UAV capable d'évoluer dans un monde ouvert (« open-world »). En combinant l'analyse sémantique des signaux RF, la détection statistique des anomalies et l'apprentissage continu, le cadre proposé résout le compromis classique entre plasticité (apprendre du nouveau) et stabilité (ne pas oublier l'ancien).

Signification :

• Sécurité Aérienne : Permet une surveillance dynamique capable de s'adapter à l'émergence de nouveaux drones sans intervention humaine massive.
• Efficacité des Ressources : Fonctionne avec des contraintes de mémoire et de calcul faibles, le rendant potentiellement déployable sur des systèmes embarqués.
• Fondation pour l'IA de Signal : Ouvre la voie à l'intelligence radiofréquence à vie longue (lifelong RF signal intelligence) et à l'apprentissage fédéré pour la surveillance distribuée.

Les auteurs prévoient d'explorer dans le futur l'extraction de caractéristiques invariantes au domaine, le déploiement temps réel sur des récepteurs embarqués et l'apprentissage fédéré incrémental.