logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
29 avril 2021
A la Une, DAP, Innovation en action, News
#BearID, #grizzlis, #reconnaissancefaciale

La reconnaissance faciale sert aussi à étudier la vie des grizzlis

⏱ 4 min

Et si la reconnaissance faciale, qui fonctionne si bien sur les humains, pouvait être appliquée à l’étude de nos cousins animaux ? Telle est l’idée mise en œuvre par deux développeurs états-uniens et une éthologue canadienne spécialiste des grizzlis au sein du projet BearID.

Pour nous humains, rien ne ressemble plus à un ours… qu’un autre ours ! Voici, en substance, le principal problème auquel sont confrontés les éthologues du monde entier lorsqu’ils cherchent à étudier les comportements individuels de ces animaux dans la nature. Car, contrairement à d’autres espèces, l’ours ne possède pas de signes distinctifs sur son pelage, comme des rayures ou des taches par exemple. À cela s’ajoute une autre difficulté évidente : la bête ne se laisse pas facilement approcher. Les scientifiques utilisent pour suivre ses pérégrinations des pièges photographiques, ces boîtiers à déclenchement automatique qu’ils accrochent sur les arbres, mais sans être certains d’identifier à coup sûr chaque ours qui passe devant l’objectif… Pour y remédier, en évitant les solutions d’identification plus invasives (puces RFID…), un trio de scientifiques a développé et publié¹ un algorithme de vision artificielle qui permet de reconnaître individuellement les grizzlis, ces ours bruns qui vivent au nord des États-Unis et au Canada.

L’éthologue canadienne Melanie Clapham installe un piège photographique pour étudier les grizzlis.

Un outil précieux pour les éthologues

« Nous voulions étudier le comportement de chaque ours au fil du temps, mais nous avons réalisé à quel point il peut être difficile de les distinguer. Qui plus est, ils peuvent avoir une apparence très variable au cours de leur croissance et même entre les saisons », raconte l’éthologue Melanie Clapham de l’université de Victoria (Colombie-Britannique), au Canada. Heureusement, en 2017, elle rencontre, via un site de mise en relation entre scientifiques, deux développeurs américains, Ed Miller et Mary Nguyen, qui planchent déjà sur le sujet. Ensemble, ils décident d’unir leurs forces et de monter le projet BearID. L’objectif ? Développer des technologies non invasives pour identifier et surveiller les grizzlis, et ainsi contribuer à leur préservation. Pour cela, ils comptent bien exploiter l’intelligence artificielle utilisée pour la reconnaissance des visages humains et l’appliquer pour la première fois au « visage » des ours.

L’application Dog Hipsterizer fonctionne plutôt bien sur les ours.

Plus de 4 600 photos de grizzlis identifiés

Dans un premier temps, les scientifiques trouvent un outil de reconnaissance faciale réalisé par apprentissage profond appliqué aux chiens. Développé par l’américain Davis King (créateur de la bibliothèque logicielle Dlib), Dog Hipsterizer est un exercice de style : il détecte dans une image les chiens regardant la caméra et les affuble d’une paire de lunettes et de moustaches. Or, il s’avère qu’il fonctionne assez bien pour les ours (photo ci-dessus). Mais il leur faut bien sûr aller plus loin, et ils créent leur propre réseau de neurones, qui détecte des « visages » d’ours et les discrimine au point de permettre l’identification de leur titulaire.

Pour entraîner leur modèle, ils collectent, entre 2009 et 2017, et avec l’aide du public, plus de 4 600 photos de 132 grizzlis prises à Baie Knight en Colombie-Britannique (Canada) et au parc national de Katmai, en Alaska (États-Unis). Sur chaque photo, ils ont dû entourer les yeux, le nez et les oreilles de l’animal afin que le modèle apprenne à les repérer. Fastidieux ! Mais le résultat est convaincant : le logiciel BearID est aujourd’hui capable d’identifier chacun des grizzlis – auxquels ont été attribués des prénoms – avec une fiabilité de 84 %.

Parmi les 4 675 photos collectées entre 2009 et 2017, voici celles de quatre grizzlis (a, b, c et d) avec de grandes variations dans la pose, l’éclairage et la qualité du cliché.

Accessible en open source et déclinable pour d’autres espèces

Les limites du logiciel BearID s’expliquent aujourd’hui principalement par les variations dans la qualité des photos d’ours obtenues dans des conditions très variées : distance de l’animal, arrière-plan, lumière… Mais, selon les chercheurs, la précision pourrait être améliorée dans le futur.

En attendant, combiné aux pièges photographiques répartis un peu partout sur le terrain, ce nouvel outil de reconnaissance faciale fournit aux scientifiques une identification plus fiable des grizzlis, et leur permet de suivre plus facilement leurs comportements individuels et leurs déplacements. Ceci afin de mieux les étudier – sans les déranger – mais aussi et surtout, de contribuer à préserver leur habitat. Autre bonne nouvelle : le logiciel BearID est disponible en accès libre et peut, d’après les chercheurs, être appliqué à d’autres ours bruns, et probablement d’autres espèces qui n’ont pas de marques distinctives, comme les loups par exemple. 

Laure Blancard

Légende image de une : Le grizzli identifié sur cette photo par le logiciel BearID s’appelle Amber. Crédit photo : Melanie Clapham.

1. Melanie Clapham, Ed Miller, Mary Nguyen, Chris T. Darimont. “Automated facial recognition for wildlife that lack unique markings: A deep learning approach for brown bears”, Ecology and Evolution, 2020. doi.org/10.1002/ece3.6840

Termes liés :
  • Algorithme
  • Intelligence artificielle (IA)
  • Deep learning
  • Réseau de neurones
Tags: #BearID, #grizzlis, #reconnaissancefaciale
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU