Des ordinateurs capables d’identifier des animaux sur des photos
Un modèle informatique mis au point à l’Université du Wyoming a fait preuve d’une précision et d’une efficacité remarquables dans l’identification d’images d’animaux sauvages, à partir de photographies prises avec des pièges photographiques en Amérique du Nord.
Une avancée significative pour l’étude de la faune sauvage
Cette avancée de l’intelligence artificielle, détaillée dans un article publié dans la revue scientifique Methods in Ecology and Evolution, est décrite comme un progrès significatif pour l’étude et la conservation de la faune. Le modèle informatique est maintenant disponible dans un progiciel pour Program R, un langage de programmation largement utilisé dans l’environnement du logiciel libre pour le calcul statistique.
« La capacité à identifier rapidement des millions d’images à partir de pièges photographiques peut fondamentalement changer la façon dont les écologistes conçoivent et mettent en œuvre des études sur la faune », indique le journal, dont les auteurs principaux sont Michael Tabak et Ryan Miller, docteurs au département de zoologie et de physiologie de l’Université du Wyoming, tous deux diplômés du Centre d’épidémiologie et de santé animale du Département de l’agriculture des États-Unis à Fort Collins, dans le Colorado.
Un modèle informatique d’une précision et d’une efficacité remarquables
L’étude s’appuie sur une recherche, publiée plus tôt cette année dans les Proceedings of the National Academy of Sciences (PNAS), dans laquelle un modèle informatique a analysé 3,2 millions d’images capturées par des pièges photographiques en Afrique, grâce à un projet scientifique collaboratif appelé Snapshot Serengeti. La technique d’intelligence artificielle, appelée deep learning, catégorisait les images d’animaux avec un taux de précision de 96,6%, identique à celui obtenu par des équipes de volontaires humains, à un rythme beaucoup plus rapide que les gens.
Dans la dernière étude, les chercheurs ont formé un réseau d’ordinateurs de deep learning sur le mont Moran, le groupe informatique hautes performances de l’Université du Wyoming, afin de classifier les 27 espèces sauvages d’animaux provenant de cinq États américains, à l’aide de 3,37 millions d’images capturées par une caméra. Le modèle a ensuite été testé sur près de 375 000 images d’animaux à un rythme d’environ 2 000 images par minute sur un ordinateur portable, avec une précision de 97,6% – probablement la précision la plus élevée à ce jour en matière d’utilisation de l’apprentissage automatique pour la classification d’images de la faune.
Le modèle informatique a également été testé sur un sous-ensemble indépendant de 5 900 images d’orignaux, de bovins, de wapitis et de porcs sauvages provenant du Canada, ce qui a permis d’obtenir un taux de précision de 81,8%. Et 94% de participants ont réussi à supprimer des images « vides » (sans aucun animal) d’un ensemble de photographies provenant de Tanzanie.
Un outil disponible gratuitement
Les chercheurs ont rendu leur modèle disponible gratuitement dans un progiciel du programme R. Le progiciel « Apprentissage automatique pour la classification des images d’espèces sauvages en R » (MLWIC) permet à d’autres utilisateurs de classer leurs images contenant les 27 espèces de la base de données. Il permet également aux utilisateurs de former leurs propres modèles d’apprentissage automatique à l’aide d’images provenant de nouveaux jeux de données.
L’auteur principal de l’article de PNAS, le Docteur en informatique moderne Mohammad Sadegh (Arash) Norouzzadeh, diplômé en sciences de la culture, est l’un des nombreux contributeurs de cette revue sur les méthodes en écologie et évolution. Les autres chercheurs participants de l’Université de Washington sont le professeur agrégé du département d’informatique Jeff Clune, et la chercheuse postdoctorale Elizabeth Mandeville, de l’unité de recherche coopérative sur le poisson et la faune du Wyoming.
Les autres organisations représentées dans le groupe de recherche sont le National Wildlife Research Center de l’USDA, de l’Arizona State University, le Tejon Ranch Conservancy en Californie, de l’Université de Géorgie, l’Université de Floride, les parcs et la faune du Colorado, l’Université de la Saskatchewan et l’Université du Montana.