OCAPI - Observation de la biodiversité par des caméras plus intelligentes | FEREC 2020

OCAPI – Observation de la biodiversité par des Caméras Plus Intelligentes Lauréat de l’appel à projets 20 20 Fondation FEREC « Intelligence artificielle (IA) appliquée aux infrastructures en service » 15 / 30 Restauration de la visibilité Du brouillard ou de la brume peuvent être présents sur les images capturées par des pièges photographiques. Ces phénomènes météorologiques vont dégrader la visibilité des animaux et compliquer leur détection et reconnaissance dans les images. Nous avons donc considéré l’utilisation d’algorithme de restauration de la visibilité dans les images. Ces algorithmes ont été développés initialement dans le contexte routier où les scènes présentent de grandes variations de profondeurs et nous avons développé une nouvelle version pouvant mieux traiter les scènes ayant de faibles variations de profondeur donc plus adaptée aux scènes observées par des pièges photographiques (Duminil et al. 2021). Raffinement de l’apprentissage sur jeu de données externe au projet OCAPI Différents algorithmes de détection et de reconnaissance d’objets dans les images par apprentissage profond sont disponibles. Après une étude comparative des différentes alternatives, notre attention s’est portée sur l’algorithme YOLO (pour You Only Look Once ) qui a le mérite d’être particulièrement efficace et rapide. De plus, les performances de l’algorithme YOLO s’améliorent avec le temps avec la diffusion réguli ère de nouvelles versions. La dernière, YOLO version 5 ou YOLOv5 (Redmon et al. 2016) présente aussi l’important avantage d’un interfaçage et d’une utilisation simplifiée en langage python. L’apprentissage du réseau YOLO est traditionnellement fait sur la base d’objets nommé s Common Object in Context ou COCO (Lin et al. 2014) . La base COCO contient des objets que l’on rencontre souvent dans notre environnement habituel. On y trouve par exemple une classe pour les personnes, différents types de véhicules et des animaux familiers. Cette base COCO ne permet pas à YOLO d’avoir de bonnes performances de détection et de reconnaissance sur les mammifères européens sans faire un raffinement de l’apprentissage à partir d’une base qui échantillonne correctement les aspects visuels des mammifères européens. Lors de son stage, Cyndy Noubissi a développé la chaîne de traitement qui permet un raffinement de l’apprentissage pour ajouter des classes d’intérêt à YOLOv5 e t améliorer les performances de détection et de reconnaissance sur les classes d’intérêt déjà présentes. Pour des raisons de calendrier, les données collectées dans la plateforme OCAPI, n’étai t pas encore disponible au moment du déroulement du stage. L’étudiante a donc constitué une base d’images annotées en utilisant des images accessibles sur internet qu’elle a annoté afin de pouvoir tester le raffinement du réapprentissage et aller vers un premier algorithme de détection et reconnaissance de quelques mammifères européens. Ainsi, elle a pu utiliser une base d’images de l’université du Missouri †† de laquelle, 2065 images de Chevreuils, Sangliers, Lièvres d’Europe, Renards roux, Écureuils roux et Cerfs élaphe ont été extraits. Cette base a été enrichie de 172 images collectées sur internet via des recherches Google spécifiques. †† https://lila.science/datasets/missouricameratraps