{"id":3705,"date":"2022-10-10T20:19:00","date_gmt":"2022-10-10T19:19:00","guid":{"rendered":"https:\/\/blog.creamontblanc.org?p=3705"},"modified":"2022-12-16T11:53:27","modified_gmt":"2022-12-16T10:53:27","slug":"intelligence-artificielle-et-grand-public-mieux-associes-pour-identifier-la-faune","status":"publish","type":"post","link":"https:\/\/blog.creamontblanc.org?p=3705","title":{"rendered":"Intelligence artificielle et grand public mieux associ\u00e9s pour identifier la faune\u00a0"},"content":{"rendered":"\n

Le traitement des centaines de milliers d\u2019images issues des pi\u00e8ges photo mobilise l\u2019expertise des chercheurs, le machine learning et les observateurs b\u00e9n\u00e9voles. Tout l\u2019\u00e9t\u00e9, un travail de fond a permis d\u2019optimiser la m\u00e9thode. La prochaine saison du <\/strong>programme de science participative \u00ab Wild Mont-Blanc \u00bb<\/strong><\/a> s\u2019annonce prometteuse !<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

S\u2019agit-t-il bien d\u2019un chamois ? La r\u00e9ponse est loin d\u2019\u00eatre \u00e9vidente lorsque l\u2019on observe les nombreuses images, prises sous des angles diff\u00e9rents ou tr\u00e8s furtivement, par les 40 pi\u00e8ges photo dispos\u00e9s dans le Massif du Mont-Blanc par le CREA. Comment, alors, \u00eatre s\u00fbr d\u2019identifier correctement cette esp\u00e8ce pr\u00e9sente \u00e0 tous les \u00e9tages du massif alpin, sans que cela soit trop chronophage ?<\/p>\n\n\n\n

Un mod\u00e8le \u00e0 la main des chercheurs<\/strong><\/h2>\n\n\n\n

L\u2019enjeu de traitement puis d\u2019analyse des centaines de milliers d\u2019images obtenues chaque ann\u00e9e est grand. Depuis 3 ans, les chercheurs du CREA Mont-Blanc exp\u00e9rimentent le potentiel du machine learning<\/a> pour les aider dans leur action. L\u2019entreprise Devoteam Revolve fournit ici un m\u00e9c\u00e9nat de comp\u00e9tences pr\u00e9cieux<\/strong>. <\/p>\n\n\n\n

L\u2019an dernier, la solution exp\u00e9riment\u00e9e a permis de faire un tri sur les images sans animaux. Soit 2\/3 des images captur\u00e9es. \u00ab Notre solution logicielle apprenante est open source. Mise en place \u00e0 partir de la solution Megadetector, elle permet aux chercheurs d\u2019avoir une relecture simple des phases de d\u00e9tection et d\u2019apprentissage. Ils peuvent aussi critiquer le mod\u00e8le pour le faire progresser \u00bb <\/em>rappelle Micha\u00ebl Thibon, consultant en charge du projet chez Devoteam Revolve.<\/p>\n\n\n\n

L\u2019automatisation a progress\u00e9<\/strong><\/h2>\n\n\n\n

Tout l\u2019\u00e9t\u00e9, un travail important a \u00e9t\u00e9 men\u00e9 sur l\u2019automatisation du machine learning (ML). Devoteam a compar\u00e9 ses avanc\u00e9es avec le mod\u00e8le DeepFaune du CNRS, d\u00e9j\u00e0 utilis\u00e9 par le CREA Mont-Blanc. \u00ab DeepFaune est g\u00e9n\u00e9raliste et bas\u00e9 sur la faune fran\u00e7aise, il est donc tr\u00e8s complet. Nous sommes de notre c\u00f4t\u00e9 sp\u00e9cifiques au massif alpin, notre p\u00e9rim\u00e8tre est plus limit\u00e9. Techniquement, on ne fait pas \u00ab sur-apprendre \u00bb le mod\u00e8le et on essaie de minimiser le \u00ab bruit \u00bb autour des animaux, pour affiner au maximum sa fiabilit\u00e9 \u00bb <\/em>d\u00e9taille Micha\u00ebl Thibon.
Les r\u00e9sultats sont prometteurs. \u00ab Notre mod\u00e8le donne des r\u00e9ponses tr\u00e8s satisfaisantes sur les grands herbivores. Nous devons nous am\u00e9liorer encore et faire apprendre notre machine sur les petites esp\u00e8ces. Nous restons compl\u00e9mentaires de DeepFaune. \u00bb <\/em><\/p>\n\n\n\n

L\u2019outil de Devoteam Revolve a une autre singularit\u00e9<\/strong>, qui concerne son d\u00e9ploiement : il permet de louer le temps d\u2019usage strictement n\u00e9cessaire pour le traitement et l\u2019analyse photo, aupr\u00e8s d\u2019AWS (cloud public d\u2019Amazon). Il ne n\u00e9cessite pas que le CREA Mont-Blanc s\u2019\u00e9quipe en serveurs, un v\u00e9ritable avantage pour ma\u00eetriser le co\u00fbt du projet.<\/p>\n\n\n\n

\"\"
Sciences participatives et Deep Learning pour d\u00e9tecter et classifier les s\u00e9quences \u00a9Matthieu Vercaemer<\/figcaption><\/figure>\n\n\n\n

Le nombre d\u2019observateurs optimis\u00e9<\/strong><\/h2>\n\n\n\n

En parall\u00e8le, le volet science participative a \u00e9galement progress\u00e9. Matthieu Vercaemer a consacr\u00e9 les 6 mois de son stage de fin d\u2019\u00e9tude d\u2019ing\u00e9nieur en environnement (AgroParisTech) au sujet. \u00ab J\u2019ai \u00e9tudi\u00e9 les performances de la science participative dans l\u2019identification des images via le portail Zooniverse. Il s\u2019agissait d\u2019objectiver le ratio d\u2019observateurs n\u00e9cessaires sur le programme Wild Mont-Blanc \u00bb <\/em>explique-t-il. <\/p>\n\n\n\n

Sur les 2 premi\u00e8res saisons, l\u2019observation de chaque s\u00e9quence captur\u00e9e par les pi\u00e8ges mobilisait 50 personnes. Gr\u00e2ce \u00e0 l\u2019analyse statistique de Matthieu Vercaemer, il est possible de limiter ce groupe \u00e0 30 personnes, sans perte de qualit\u00e9 : la fiabilit\u00e9 des r\u00e9ponses dans l’identification des esp\u00e8ces passe de 97,8 %… \u00e0 97,5 % ! <\/p>\n\n\n\n

Matthieu Vercaemer a ensuite compar\u00e9 ses r\u00e9sultats avec ceux issus du machine learning. Conclusion ? \u00ab L\u2019identification des esp\u00e8ces par un humain est clairement meilleure, mais la solution de machine learning est d\u00e9j\u00e0 fiable \u00e0 90 %. Elle va progresser encore et sera une v\u00e9ritable aide sur les esp\u00e8ces \u00ab discr\u00e8tes \u00bb, l\u2019hermine par exemple, d\u2019autant plus si on lui fait continuer \u00e0 apprendre en ce sens \u00bb <\/em>estime Matthieu Vercaemer.<\/p>\n\n\n\n

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"cerf\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n
S\u00e9lections de diff\u00e9rentes esp\u00e8ces \u00e0 identifier pour la nouvelle saison de Wild Mont Blanc <\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Wild Mont-Blanc saison 3, c\u2019est pour bient\u00f4t<\/strong><\/h2>\n\n\n\n

Dans le cadre du programme de science participative Wild Mont-Blanc<\/a>, une nouvelle p\u00e9riode d\u2019identification d\u00e9bute \u00e0 compter de mi-octobre, avec les milliers de b\u00e9n\u00e9voles r\u00e9unis sur la plateforme Zooniverse. \u00ab Cette ann\u00e9e, nous passons en configuration production, avec le versement sur la plateforme de toutes les s\u00e9quences (avec ou sans animal, NDLR), sans observation pr\u00e9alable par le CREA Mont-Blanc. Gr\u00e2ce au travail de Matthieu et de Devoteam Revolve, nous changeons totalement d\u2019envergure : toutes les s\u00e9quences passent au crible du machine learning, obtiennent un score puis sont confi\u00e9es aux observateurs b\u00e9n\u00e9voles. A eux de d\u00e9terminer de quel animal il s\u2019agit, parmi la vingtaine d\u2019esp\u00e8ces suivies \u00bb <\/em>explique Colin Van Reeth, responsable de la science participative au CREA Mont-Blanc. 

Les chercheurs et experts naturalistes ne viendront \u00e9pauler la d\u00e9marche qu\u2019en deuxi\u00e8me rideau, en cas d\u2019esp\u00e8ce \u00e0 fort enjeu (loup, lagop\u00e8de, etc.) ou d\u2019absence de consensus chez les observateurs b\u00e9n\u00e9voles. <\/p>\n\n\n\n

Cette ann\u00e9e, une nouvelle esp\u00e8ce sera \u00e0 identifier (le chat sauvage d’Europe) et deux autres ont \u00e9t\u00e9 rassembl\u00e9es (li\u00e8vre variable et li\u00e8vre d\u2019Europe).   <\/p>\n","protected":false},"excerpt":{"rendered":"

Le traitement des centaines de milliers d\u2019images issues des pi\u00e8ges photo mobilise l\u2019expertise des chercheurs, le machine learning et les observateurs b\u00e9n\u00e9voles. Tout l\u2019\u00e9t\u00e9, un travail de fond a permis d\u2019optimiser la m\u00e9thode. La prochaine saison du programme de science … Lire la suite\u00ad\u00ad<\/a><\/p>\n","protected":false},"author":21,"featured_media":3886,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"footnotes":""},"categories":[31],"tags":[188],"class_list":["post-3705","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sciences-participatives","tag-wild-mont-blanc"],"aioseo_notices":[],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/posts\/3705","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/users\/21"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3705"}],"version-history":[{"count":8,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/posts\/3705\/revisions"}],"predecessor-version":[{"id":3920,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/posts\/3705\/revisions\/3920"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=\/wp\/v2\/media\/3886"}],"wp:attachment":[{"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3705"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3705"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.creamontblanc.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3705"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}