Réseaux de neurones pour la détection de mégafaune marine
Notre IA est entrainée sur une base de plus de 10000 images prises en condition réelle ce qui la rend très robuste. Elle a été construite de telle manière que si le taux de confiance d'identification à l'espèce n'est pas acceptable, on puisse remonter à l'échelon supérieur (famille) pour garantir des résultats de très bonne qualité.
Elle a été testée à de multiples reprises en évaluant son efficacité : aujourd'hui, on sait que l'analyse automatique est plus performante que l'expertise visuelle humaine lorsqu’il s’agit de traiter un grand nombre d’images. On sait également qu'il n'est pas absolument nécessaire de vérifier chaque image en entier pour toutes les espèces : nous pouvons avoir confiance en l'analyse automatique. Cette confiance se mesure, elle varie selon les taxons. Ainsi, nous pouvons déterminer quelles sont les zones à faire analyser par des experts naturalistes, ainsi que leur nombre pour parvenir à des résultats de très bonne qualité.
Les différentes conditions météorologiques, les variations saisonnières engendrent une grande diversité d'images. Notre solution a été éprouvée et calibrée pour répondre à ces difficultés.
Le réseau de neurones permet la localisation et la classification d’individus présents sur des images en obtenant un modèle de détection (appelé un détecteur) intégrée dans le logiciel Harmony.
Le détecteur est conçu pour échelonner le niveau d'identification du taxon le plus général jusqu'à l'espèce lorsque la prise de vue le permet.
Appliqué sur des images d’évaluation, le détecteur permet de mesurer les performances de détection pour ces différentes classes. Afin d’obtenir des résultats pertinents, les images d’évaluation doivent être aussi représentatives que possible de celles qui seront obtenues lors des futures études, à la fois en termes de site d’étude et d’effort d’échantillonnage. Cela comprend donc la typologie des images (lieu, saison, météo, état de la mer, éblouissement etc.) et l’échantillonnage spatio-temporel. Par exemple, si l’étude se fait sur une continuité temporelle des images, alors l’évaluation du détecteur doit reposer sur cette même continuité. En effet, un écueil fréquemment constaté consiste à présenter des performances de détection automatique évaluées sur un sous-ensemble non représentatif des conditions terrain, créant ainsi un biais parfois important.
Les performances de détection d’une espèce mesurent la capacité du détecteur à localiser et classer automatiquement les individus de cette espèce présents dans la masse d’images. Cette méthode ne doit pas être confondue avec la capacité de certains algorithmes à seulement localiser des individus dont l’espèce doit être déterminée a posteriori par un expert.