nouvel outil pour la surveillance automatisée des nids – Methods Blog

Katharine Cleveland

il y a 2 semaines

Message fourni par Liliana Silva

Pourquoi nous avons développé ce cadre d’automatisation

L’observation du comportement animal est l’une des méthodes les plus utilisées en écologie. Mais quiconque a passé des heures à visionner des séquences vidéo sait à quelle vitesse l’analyse comportementale devient écrasante. Une seule caméra Nest peut générer des centaines d’heures d’enregistrement, et transformer ces vidéos en données comportementales nécessite souvent des annotations manuelles sans fin. En tant qu’ancien technicien vidéo, j’ai passé plus de 2000 heures à analyser des images et je me suis souvent demandé, avec André Ferreira, s’il n’existait pas une méthode plus simple.

Figure 1 : Configuration sur le terrain pour la surveillance des nids sous un grand nid de tisserand sociable dans la savane africaine de Kimberley en Afrique du Sud. Plusieurs caméras sont installées afin que nous puissions filmer chaque chambre de nidification, soulignant ainsi l’effort considérable de collecte de vidéos requis pour les études comportementales à long terme.

Ce défi nous a lancé sur un chemin de 5 ans visant à développer un cadre automatisé pour reconnaître les comportements de nidification à partir d’enregistrements vidéo du tisserand sociable. Une fois le flux de travail réussi, nous avons réuni des collaborateurs de deux autres projets à long terme, sur la mésange bleue (Arlette Fauteux, France) et la mésange charbonnière (Irene Martínez-Baquero, Royaume-Uni) pour nous assurer que nos résultats étaient utiles pour d’autres systèmes. Cela a abouti à notre récent article «De la vidéo au comportement : une approche basée sur le LSTM pour la reconnaissance automatisée du comportement de nidification chez les oiseaux »où nous décrivons un flux de travail pratique qui aide les chercheurs à passer des séquences vidéo aux données comportementales. Je trouve très gratifiant que mes luttes antérieures et ma compréhension des défis pratiques impliqués dans l’analyse comportementale puissent être transformées en quelque chose d’utile pour la communauté des chercheurs.

Dans le cadre de projets de surveillance à long terme d’espèces sauvages, nous avions tous besoin de systèmes automatisés robustes, capables de faire face aux variations environnementales au fil du temps. Notre objectif n’était pas simplement de construire une approche de modélisation de validation de principe, mais de créer un cadre axé sur le déploiement que les chercheurs pourraient adapter à leurs propres systèmes d’étude et à leurs données de terrain réelles.

Ce que ça fait

Le cadre combine des images stockées, des comportements préalablement annotés et un apprentissage en profondeur à l’aide de modèles de mémoire à long terme pour reconnaître des séquences comportementales à partir de données vidéo. Le système apprend des modèles de comportement au fil du temps, plutôt que de s’appuyer uniquement sur des images uniques. Ceci est particulièrement important pour les comportements qui se développent au fil du temps, puisque le modèle peut mieux distinguer des comportements d’apparence similaire, comme différencier un oiseau entrant dans un nid spécifique d’un oiseau qui passe simplement par là.

En utilisant cette approche, nous avons construit trois systèmes automatisés, un pour chaque espèce. Ces modèles fournissent des classifications comportementales seconde par seconde, y compris l’entrée, la sortie, la construction, l’agression et l’assainissement du nid, selon l’espèce. Il est important de noter que les performances du modèle étaient comparables à celles d’un observateur humain, tout en étant beaucoup plus rapides.

Figure 2 : Cadre suggéré pour une automatisation efficace de l’analyse du comportement via la vidéo à l’aide d’annotations précédentes et d’apprentissage en profondeur.

Ce que cela apporte au domaine

La reconnaissance comportementale automatisée présente un énorme potentiel pour l’écologie et l’évolution. Des outils comme celui-ci peuvent aider les chercheurs à traiter des ensembles de données beaucoup plus volumineux que ce qui serait possible manuellement, ouvrant ainsi la porte à des études comportementales à grande échelle. Par exemple, le projet Sociable Weaver collecte plus de 2 000 heures de vidéo par an. Nos modèles ont multiplié par huit la vitesse d’analyse, passant de 40 à plus de 300 vidéos par semaine. De plus, en conservant uniquement les séquences contenant des comportements intéressants, le système a réduit les besoins de stockage de plus de 90 %. Ensemble, cette automatisation a aidé les chercheurs à collecter davantage de données plus rapidement, tout en économisant du temps et de l’espace de stockage pour explorer de nouvelles questions de recherche.

L’un des principaux atouts du flux de travail est sa flexibilité. Les chercheurs peuvent entraîner le système à l’aide de leurs propres vidéos annotées, ce qui le rend facilement adaptable à différentes espèces et contextes écologiques. Nous nous sommes également fortement concentrés sur la mise en œuvre pratique en parcourant la préparation des données, les stratégies d’annotation, les considérations relatives à la formation et au déploiement des modèles, et en fournissant une feuille de route que d’autres chercheurs peuvent suivre de manière réaliste.

Il est important de noter que l’intelligence artificielle peut parfois sembler inaccessible, mais en partageant un flux de travail open source pratique, nous espérons que davantage de chercheurs se sentiront en confiance pour explorer ces approches.