Combien de cerfs ? Application de l’apprentissage profond au comptage automatique de cervidés

Les espèces animales de grande taille telle que le cerf de Virginie (Odocoileus virginianus), vivant à proximité des activités humaines doivent être régulièrement suivies afin de limiter leur potentiel de nuisance. Le développement simultané des secteurs des drones et du traitement automatique d’images apporté par les réseaux de neurones convolutifs (RNC) offre une opportunité intéressante de réduire les couts des inventaires fauniques et de grandement faciliter leur réalisation. Les jeux de données standard sur lesquels sont comparées les performances des diverses architectures de RNC disponibles sont composés d’images très différentes des images aériennes. En effet, celles-ci sont souvent soumises à des contraintes telles que des forts débalancements causés par la rareté et la petite taille des animaux dans les images, des résolutions plus faibles, ou encore la présence d’occlusion végétale. Ces contraintes sont absentes des jeux de données standard et les performances des RNC dans ces conditions sont encore peu connues. A la vue de ces différences, dans quelle mesure peuvent les performances des RNC sur des jeux de données standards prédire les performances dans un contexte d’inventaire faunique aérien ? Dans ce projet de doctorat, nous analysons les impacts des contraintes précités en vue de développer une méthode de comptage automatique qui les prenne en compte. A cette fin, nous avons utilisé un drone pour acquérir de nombreuses images de cerfs présents dans des enclos de deux élevages différents. Nous avons ensuite réparti ces images en plusieurs jeux d’entrainement, de validation et de test et les avons utilisé pour entrainer plusieurs architectures de RNC. Dans notre première série d’expériences, nous nous sommes basés sur deux ensembles d’images (un acquis en été et un en hiver) desquelles nous avons extrait des imagettes de cerfs entiers et des imagettes vides. Ces imagettes ont ensuite été assemblées en deux jeux d’entrainements et de validation par acquisition : un jeu balancé, comptant autant d’images de cerfs que d’images sans cerfs et un autre, appelé débalancé, comprenant beaucoup plus d’images vides que d’images de cerfs. Nous avons montré qu’un fort débalancement pouvait avoir un effet négatif marqué sur les performances de classification d’images de cerfs. Comparé à des entrainements sur les jeux de données débalancés, la méthode de Hard Negative Mining nous a permis d’améliorer les performances de classification sur nos images d’été et d’hiver (de 13.2% et 0.2% respectivement) en n’utilisant qu’une très petite fraction des images disponibles, réduisant ainsi grandement le temps d’entrainement (de 89 et 70% en moyenne, respectivement). Notre second ensemble d’expériences a porté sur la détection de cerfs dans les images complètes (mêmes images que précédemment). Nous avons sélectionné six architectures différentes et les avons entrainé en utilisant la métrique la plus commune dans les taches de détection d’objet, la mAP (mean Average Precision). Nos résultats montrent que la mAP, pourtant utilisée pour évaluer les performances des RNC sur le jeu de données de détection d’objet standard le plus utilisé, COCO, n’est pas un bon prédicteur de performances dans le cadre d’inventaires fauniques aériens. Nos meilleures performances de comptage de cerfs dans les images ont été obtenus par l’architecture Generalized Focal Loss (GFL), atteignant des F1score de 0.96 et 0.97 sur nos images d’été et d’hiver, respectivement. Dans notre troisième partie, nous avons utilisé GFL pour évaluer les effets de la dégradation de la résolution spatiale, du découpage d’image, et de l’occlusion sur les performances de comptage de cerfs. Nous avons également évalué la possibilité d’utiliser un réseau entrainé à détecter des cerfs rouges (Cervus elaphus) pour détecter des cerfs de Virginie. Nos résultats ont montré que les performances de comptage décroissent avec l’augmentation de la résolution spatiale. Toutefois, le découpage des images comme alternative au rééchantillonnage a eu un effet négatif encore plus fort sur les performances de comptage, comparable à des sous-échantillonnages de facteurs 5 et 6 sur nos deux jeux de données respectivement. Nous avons également montré que l’occlusion des cerfs est la source principale d’erreurs de détection dans nos images et que l’utilisation d’un RNC entrainé sur des images de cerf rouge peut obtenir de bonnes performances de détection sur des images de cerfs de Virginie. Nos analyses montrent que les architectures disponibles aujourd’hui permettent d’obtenir de très bonnes performances de comptage automatiques de cerfs à partir d’images aériennes. Nos travaux montrent également que les impacts de paramètres d’acquisition (résolution spatiale, occlusion) ou de traitement des images (gestion du débalancement, découpage) peuvent avoir des impacts aussi importants voire supérieurs au choix de l’architecture, illustrant ainsi la pertinence du mouvement ‘datacentric AI’ visant à privilégier l’amélioration de la qualité des jeux de données par rapport au développement de nouveaux modèles. A la vue de nos résultats, la combinaison de l’apprentissage profond et des drones serait actuellement capable de grandement faciliter la conduite d’inventaires fauniques aériens. Le principal facteur empêchant leur utilisation à l’échelle du territoire québécois est désormais la règlementation qui requiert de garder un contact visuel avec l’appareil durant toute la durée du vol, empêchant ainsi d’utiliser les drones à leur plein potentiel.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.