Africa-Press – Burkina Faso. On peut détecter et reconnaître des baleines par intelligence artificielle. Ou des zèbres. Ou des colonies de phoques gris. Ou des animaux des forêts africaines. Les approches, qui ont pour objectif l’étude et la préservation de la biodiversité, sont variables: soit les technologies sont spécialisées sur une espèce, soit elles servent à en classer plusieurs différentes (selon l’entraînement de l’algorithme), soit elles différencient un individu d’un autre au sein d’une même espèce. C’est sur ce dernier usage que vient d’innover une équipe de chercheurs en technologie et biologie de l’Ecole polytechnique fédérale de Lausanne (EPFL, Suisse) et de l’Alaska Pacific University (Etats-Unis).
Dans la revue Current Biology, ils détaillent la mise au point d’un algorithme de vision par ordinateur dédié aux ours bruns d’Alaska. Cet outil leur a permis d’identifier 109 plantigrades distincts présents sur un site de rassemblement bien connu dans la réserve d’Etat de la rivière McNeil et de pouvoir les suivre dans le parc National de Katmai à 65 km au sud.
Plus de 70.000 images d’une centaine d’ours
Jusque-là, ce type d’algorithme fonctionnait sur des animaux présentant des motifs uniques chez chaque spécimen, comme le pelage des zèbres ou le plumage coloré de certains oiseaux (comme les républicains sociaux, les mésanges charbonnières et les diamants mandarins pour un projet international de 2020). Or, rien de tout cela pour les ours bruns, au pelage uni. En outre, comme ils hibernent, leur silhouette change radicalement d’une saison à l’autre, ce qui complique l’identification par leur apparence physique.
Chez les mâles, à qui il arrive de se battre, « des cicatrices et des modifications de la structure physique des oreilles, de la gueule, du nez ou des membres peuvent également être source d’altérations de l’apparence d’un individu au cours d’une même journée ». Mais ces éléments, parce qu’ils sont irréversibles, peuvent servir à distinguer un individu d’un autre sur le long terme. En revanche, il n’y a pas de confrontations physiques entre femelles, leur population apparaît de ce fait plus uniforme.
Les chercheurs ont décidé de focaliser leurs critères d’identification sur la tête des ours. Plus exactement l’angle du front et la forme du museau, assez peu fournis en poils et en graisse donc moins sujets aux effets de l’hibernation, la disposition des oreilles (et non leur forme). « En outre, se concentrer uniquement sur la tête nous permet de capitaliser sur des cicatrices propres à chaque individu que l’on trouve souvent dans la région des yeux, sur le museau, autour des oreilles et sur les côtés de la tête et du front », complètent les chercheurs dans leur article.
A partir de là, ils ont puisé dans les photos prises au cours de ses recherches par Beth Rosenberg, spécialiste des ours bruns de l’Alaska Pacific University et membre de l’équipe de recherche. Ils ont retenu 72.940 images de 109 ours déjà identifiés par la chercheuse, en situation et en toute saison, captées entre 2017 et 2022.
La particularité de ce corpus étant qu’il est constitué de photos organisées en véritables séquences concernant un individu. Les ours sont donc vus sous différents angles, dans différentes postures au sein d’une certaine fenêtre temporelle, chaque image étant horodatée. Et plusieurs de ces séquences peuvent concerner un même plantigrade mais dans des environnements, des conditions d’éclairage et de météo variables. Ce qui évite la contrainte de ne pouvoir utiliser que des photos de face ou bien éclairée, comme pour d’autres systèmes de reconnaissance visuelle. Là, toutes les postures peuvent être exploitées.
L’équipe n’a pas cherché non plus à équilibrer la présence de chaque spécimen dans les photos et séquences, « afin de respecter le mieux possible la variabilité par individu dans le nombre d’images prises telle qu’elle existe dans la réalité ».
Une IA capable de distinguer des critères précis sur la tête de l’ours
C’est sur l’intégralité de ce corpus qu’a été entraîné un algorithme de vision par ordinateur par apprentissage profond développé par l’équipe. Appelé PoseSwin, ce système est capable de distinguer le corps de la tête d’un animal, et sur cette tête, de se concentrer sur la série de critères définis au préalable.
Les chercheurs ont opté pour l’approche dite de l’apprentissage de métriques, en utilisant une architecture présentée en 2021 par une équipe de Microsoft Research Asie, les SwinTransformers. L’algorithme n’apprend pas à prédire l’identité de tel et tel ours mais donne un score de probabilité que deux images montrent le même animal ou pas. Cette similarité est évaluée selon un calcul de distance entre images dans un espace. Quand une image se trouve éloignée d’un groupe d’autres images proches entre elles, cela signifie que l’on a probablement affaire à deux ours différents. Et une photo qui ne rejoint aucun ensemble révèle la présence d’un individu inconnu, un nouveau spécimen puisqu’aucune photo du corpus ne lui correspond. Ce qui est particulièrement approprié quand il s’agit d’étudier en milieu naturel le comportement et l’évolution d’une population animale donnée.
Ce système a été testé sur 4630 photos prises par trois visiteurs du parc national Katmai dans le cadre d’un programme de science participative entre 2020 et 2022, mais auxquelles ont été retirées toutes les informations de localisation. Les chercheurs ont pu y retrouver 14 des ours bruns déjà connus (dont 9 avec un taux de prédiction dépassant 70%) et en détecter 73 potentiellement nouveaux, sachant qu’il peut en réalité y avoir des recoupements parmi ces derniers, donc moins de spécimens inconnus qu’au premier abord.
L’équipe s’est aussi rendu compte que son outil était nettement plus fiable quand il détectait un nouvel animal à partir d’une séquence d’images et d’un calcul de distance avec d’autres (86,5% de précision) plutôt qu’à partir d’images isolées (65,9%).
Pour plus d’informations et d’analyses sur la Burkina Faso, suivez Africa-Press
