Réidentification RAPIDE des animaux à motifs – Methods Blog
Message fourni par András Zábó
Imaginez juste…
Vous êtes tous assis avec enthousiasme autour du moniteur, regardant la vidéo capturée par le drone. C’est la première fois que vous testez le système de surveillance complet dans le parc national… Vos drones étaient déjà capables de trouver, détecter et suivre de manière autonome des zèbres, mais vous n’aviez jamais piloté de drones capables également d’identifier des zèbres individuels… Et vous et de nombreux collègues êtes fascinés par la découverte et la compréhension des comportements individuels.
Vous regardez, dans les images, les zèbres détectés se promener lentement en train de paître, tandis que les cadres de délimitation jaunes dessinés autour d’eux se déplacent avec eux, indiquant une détection réussie des animaux. Un seul individu possède un cadre de délimitation vert, mais pour une bonne raison : votre système amélioré est désormais capable d’identifier et de distinguer également les animaux individuels, vous permettant ainsi de collecter un profil comportemental individuel pour Marty.
Soudain, quelque chose surprend le troupeau dans les images. Ils se mettent à courir et se regroupent plus étroitement. La tension monte en chacun de vous alors que les cadres de délimitation s’emmêlent en raison de la proximité des zèbres qui courent, et que le cadre de délimitation vert, ainsi que le nom de Marty, disparaît… Les zèbres se divisent brusquement en deux groupes, l’un se déplaçant vers la droite et l’autre vers la gauche, tous deux s’approchant rapidement du bord du champ de vision du drone. Votre drone autonome doit immédiatement décider quel groupe continuer à suivre. Vous voyez l’un des cadres de délimitation réapparaître devenir soudainement vert, et le nom de Marty réapparaît avec un niveau de confiance de réidentification de 92 %. À votre grand soulagement, le drone se dirige immédiatement vers ce groupe et le suit, sans jamais perdre de vue Marty.
Passionnant, Passionnant… Mais pour quoi faire ?
Comme je l’ai mentionné dans l’exemple ci-dessus, l’identification individuelle est essentielle si l’on veut étudier le comportement des animaux sur une base individuelle. Mais au-delà de cela, il est également utile pour des applications allant de la surveillance des populations au suivi de l’état de santé des animaux. Et si tu as vu Madagascar 2vous saurez qu’une grande confusion peut être évitée si vous êtes capable de distinguer votre meilleur ami des autres…
Rapide : trouver le « un sur un million »
Pour relever les défis décrits ci-dessus, nous avons développé un algorithme d’identification individuelle qui est librement accessible à tous. Il est non seulement précis, mais également rapide, ce qui le rend adapté au déploiement sur des ordinateurs dotés de ressources informatiques limitées (appelés périphériques de périphérie). De plus, chaque fois qu’il prédit l’identité d’un individu, il attribue un score de confiance à la prédiction, fournissant ainsi une indication du degré de certitude de l’algorithme. Nous avons nommé le logiciel résultant RAPIDE (Réidentification des modèles d’animaux en temps réel sur les appareils de pointe). Un autre objectif clé de la conception était la modularité, permettant à RAPID d’être facilement intégré aux systèmes de surveillance existants (rappelez-vous l’exemple du début).
Pour éviter tout malentendu : RAPID est également bien adapté aux tâches plus générales d’identification individuelle où le temps de traitement ou la capacité de calcul ne sont pas un facteur limitant (par exemple, analyse d’images collectées manuellement ou de données de pièges photographiques). Ainsi, si les drones ne sont pas votre domaine d’intérêt, inutile de vous sentir exclu : vous faites largement partie du public visé !
Mais comment ?
Vous vous demandez peut-être sur quoi repose exactement l’identification. La crinière d’un zèbre est-elle assez unique ? Ou peut-être que la forme du corps est la clé ? La réponse réside dans leurs modèles. Les rayures et les taches des animaux à motifs sont aussi uniques que nos empreintes digitales. RAPID reconnaît ces modèles et les compare à une base de données d’images contenant des individus déjà identifiés.
Pour que tout cela se produise en une fraction de seconde, nous utilisons un algorithme développé à l’origine par Spotify pour fournir des recommandations ultra-rapides de chansons similaires. La seule différence est qu’au lieu de recommander une musique similaire, nous l’utilisons pour « recommander » des zèbres (ou d’autres animaux à motifs) similaires.
Quand est-ce que ça marche et quand ça ne marche pas ?
D’après nos tests, nous avons de bonnes nouvelles pour un autre personnage de Madagascar: Melman la girafe—RAPID fonctionne non seulement sur les zèbres, mais aussi sur les girafes ! En fait, lorsque nous avons testé l’algorithme sur des tigres, des jaguars (et même du bétail), il a également pu identifier des individus avec une grande précision.
Il est important de noter que pour les espèces sans motifs, l’algorithme ne peut pas être appliqué, car elles sont, en ce sens, « sans empreintes digitales ». Au-delà des différents types de motifs, RAPID fonctionne également bien dans une variété d’environnements (forêt tropicale dense, savane ouverte), avec différents systèmes de caméras (drones, pièges photographiques, images collectées manuellement) et dans diverses conditions d’éclairage (lumière du soleil, mélange de soleil et d’ombre, images infrarouges nocturnes).
Cependant, outre la présence de modèles distinctifs, une limitation clé est que RAPID ne peut identifier que les individus déjà présents dans sa base de données d’individus connus (un scénario dit fermé), et uniquement lorsque des points de vue similaires sont disponibles dans la base de données par rapport à l’image non identifiée.
Quelle est la prochaine étape ?
En distinguant les individus inédits de ceux déjà observés (un soi-disant scénario ouvert) et en caractérisant les points de vue, RAPID peut devenir applicable dans des situations où ses performances actuelles ne sont pas encore fiables.
Si vous êtes intéressé, essayez RAPID (https://github.com/robot-perception-group/RAPID-animal-reidentification), regardez le résumé vidéo (https://www.youtube.com/watch?v=O6NWzLEivr8), ou lisez l’article complet (https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.70332).