Cet article souligne l'importance de la reconnaissance des signaux radar (RSR) en guerre électronique (GE) et vise à améliorer ses performances dans les environnements où les données RF étiquetées sont rares. À cette fin, nous proposons une méthode d'apprentissage auto-supervisé (SSL) qui utilise la modélisation des signaux masqués et l'adaptation au domaine RF. Dans une approche en deux étapes, nous pré-entraînons un auto-encodeur masqué (MAE) à l'aide de signaux I/Q en bande de base provenant de divers domaines RF, puis transférons les représentations apprises au domaine radar. Les résultats empiriques montrent qu'un modèle ResNet1D léger d'apprentissage auto-supervisé avec adaptation au domaine améliore la précision de la classification en un coup jusqu'à 17,5 % (avec pré-entraînement des signaux dans le domaine) et 16,31 % (avec pré-entraînement des signaux hors domaine) par rapport à un modèle de base sans pré-entraînement. De plus, nous présentons des résultats de référence pour plusieurs conceptions MAE et stratégies de pré-entraînement, établissant ainsi une nouvelle référence pour la classification des signaux radar à très faible volume de données.
