Que se passe-t-il lorsque la reconnaissance faciale est utilisée sur des oiseaux? La science explique

En tant qu’observatrice, j’avais entendu dire que si vous portiez une attention particulière aux plumes de la tête des pics pourpier qui visitaient vos mangeoires d’oiseaux, vous pourriez commencer à reconnaître des oiseaux individuels. Cela m'a intrigué. Je suis même allé jusqu'à essayer de dessiner des oiseaux dans mes propres mangeoires et j'avais trouvé cela vrai jusqu'à un certain point.

Entre-temps, dans mon travail d’informaticien, je savais que d’autres chercheurs avaient utilisé des techniques d’apprentissage automatique pour reconnaître des visages sur des images numériques avec un degré élevé de précision.

Ces projets m'ont amené à réfléchir aux moyens de combiner mon passe-temps avec mon travail quotidien. Serait-il possible d'appliquer ces techniques pour identifier des oiseaux individuels?

J'ai donc construit un outil de collecte de données: un type de mangeoire à oiseaux privilégié par les pics et une caméra activée par le mouvement. J'ai installé ma station de surveillance dans mon chantier de banlieue de Virginie et ai attendu que les oiseaux se manifestent.

Classification d'image

La classification des images est un sujet brûlant dans le monde de la technologie. De grandes entreprises telles que Facebook, Apple et Google étudient activement ce problème afin de fournir des services tels que la recherche visuelle, le marquage automatique des amis dans les publications de médias sociaux et la possibilité d'utiliser votre visage pour déverrouiller votre téléphone portable. Les organismes chargés de l'application de la loi sont également très intéressés, principalement par la reconnaissance des visages dans l'imagerie numérique.

Lorsque j'ai commencé à travailler avec mes étudiants dans le cadre de ce projet, la recherche sur la classification des images était axée sur une technique consistant à examiner les caractéristiques de l'image telles que les bords, les angles et les zones de couleur similaire. Ce sont souvent des pièces qui pourraient être assemblées en un objet reconnaissable. Ces approches étaient précises à environ 70%, en utilisant des ensembles de données de référence avec des centaines de catégories et des dizaines de milliers d'exemples de formation.

Des recherches récentes ont évolué vers l'utilisation de réseaux de neurones artificiels, qui identifient leurs propres caractéristiques qui s'avèrent les plus utiles pour une classification précise. Les réseaux de neurones sont modélisés très vaguement sur les schémas de communication entre les neurones du cerveau humain. Les réseaux de neurones convolutifs, du type que nous utilisons maintenant dans notre travail sur les oiseaux, sont modifiés de manière à être modélisés sur le cortex visuel. Cela les rend particulièrement bien adaptés aux problèmes de classification des images.

D'autres chercheurs ont déjà essayé des techniques similaires sur des animaux. Andrea Danyluk, informaticien du Williams College, m'a inspiré en partie. Il a utilisé l'apprentissage par la machine pour identifier des salamandres tachetées. Cela fonctionne parce que chaque salamandre a un motif distinctif de taches.

Progrès sur l'identification des oiseaux

Alors que mes étudiants et moi-même n'avions pas autant d'images à travailler que la plupart des autres chercheurs et entreprises, nous avions l'avantage de certaines contraintes susceptibles d'accroître la précision de notre classificateur.

Toutes nos images ont été prises dans la même perspective, avaient la même échelle et entraient dans un nombre limité de catégories. En tout et pour tout, une quinzaine d’espèces seulement ont déjà visité le centre d’alimentation dans ma région. Parmi ceux-ci, 10 seulement se sont rendus assez souvent pour constituer une base utile pour former un classificateur.

Le nombre limité d’images était un handicap certain, mais le petit nombre de catégories a joué en notre faveur. Quand il s’agissait de reconnaître si l’oiseau dans une image était un mésange, un troglodyte de Caroline, un cardinal ou autre, un premier projet basé sur un algorithme de reconnaissance faciale atteignait une précision d’environ 85% - assez pour nous intéresser au problème.

L'identification des oiseaux dans les images est un exemple de tâche de «classification fine», ce qui signifie que l'algorithme tente de discriminer des objets légèrement différents les uns des autres. Par exemple, beaucoup d'oiseaux qui se présentent aux mangeoires ont à peu près la même forme. Par conséquent, faire la différence entre une espèce et une autre peut être assez difficile, même pour des observateurs humains expérimentés.

Le défi ne monte que lorsque vous essayez d'identifier des individus. Pour la plupart des espèces, ce n’est tout simplement pas possible. Les pics auxquels je m'intéressais ont un plumage fortement structuré, mais sont en grande partie similaires d'un individu à l'autre.

La tâche humaine consistant à étiqueter les données pour former notre classificateur a donc été l'un de nos plus grands défis. J’ai trouvé que les plumes de la tête des pics duveteux n’étaient pas un moyen fiable de distinguer les individus, car elles se déplacent beaucoup. Ils sont utilisés par les oiseaux pour exprimer une irritation ou une alarme. Cependant, les motifs de taches sur les ailes repliées sont plus cohérents et semblent bien fonctionner pour les distinguer les uns des autres. Ces plumes des ailes étaient presque toujours visibles dans nos images, tandis que les motifs de la tête pouvaient être obscurcis en fonction de l’angle de la tête de l’oiseau.

À la fin, nous avons eu 2 450 images de huit pics différents. En ce qui concerne l'identification des pics individuels, nos expériences ont atteint une précision de 97%. Cependant, ce résultat nécessite une vérification supplémentaire.

Comment cela peut-il aider les oiseaux?

Les ornithologues ont besoin de données précises sur l'évolution des populations d'oiseaux au fil du temps. Étant donné que de nombreuses espèces ont des besoins très spécifiques en matière d’habitat en matière de reproduction, d’hivernage et de migration, des données détaillées pourraient être utiles pour réfléchir aux effets d’un paysage en mutation. Les données sur des espèces individuelles telles que les pics mineur pourraient ensuite être associées à d'autres informations, telles que des cartes d'utilisation des sols, les conditions météorologiques, la croissance de la population humaine, etc., afin de mieux comprendre l'abondance d'une espèce locale dans le temps.

Je pense qu'une station de surveillance semi-automatisée est à portée de main pour un coût modique. Ma station de surveillance coûte environ 500 dollars américains. Des études récentes suggèrent qu’il devrait être possible de former un classificateur en utilisant un groupe d’images beaucoup plus large, puis d’affiner le réglage rapidement et en appliquant des contraintes de calcul raisonnables pour reconnaître les oiseaux individuels.

Des projets tels que eBird du laboratoire d’ornithologie Cornell ont mis sur pied une petite armée de scientifiques citoyens pour surveiller la dynamique de la population, mais la plupart de ces données proviennent généralement de lieux où la population est nombreuse et non d’intérêts spécifiques.

Une approche de station de surveillance automatisée pourrait fournir un multiplicateur de force aux biologistes de la faune concernés par des espèces ou des lieux spécifiques. Cela élargirait leur capacité à recueillir des données avec une intervention humaine minimale.

Cet article a été publié à l'origine sur The Conversation par Lewis Barnett. Lisez l'article original ici.