Qui est cette girafe ? Quand l'intelligence artificielle automatise la reconnaissance individuelle des animaux

Afin d’étudier la distribution, la démographie ou l’abondance des populations animales, un nombre croissant de suivis écologiques à long terme repose sur la ré-observation des individus au cours du temps. Ceci n'est évidemment faisable que si nous sommes capables de les reconnaître. Cette reconnaissance peut se faire à l'aide d'un marquage de l'animal, mais également, pour certaines espèces, de manière non-invasive - sans avoir à capturer les animaux - à partir de photographies. En effet, la variabilité naturelle des marques que les animaux portent sur leur peau ou leur fourrure peut permettre de les identifier sur les photographies. Ainsi, les individus de nombreuses espèces de mammifères possèdent cette particularité, comme les girafes, les tigres, les léopards, les zèbres et koudous, ou bien les baleines à bosses. À l'instar de nos empreintes digitales, le pelage de chaque individu de ces espèces présente des caractéristiques qui le rende unique et identifiable sans marquage artificiel. Cependant, l'analyse manuelle des photographies devient rapidement trop chronophage - sinon impossible - à mesure que le nombre de photographies et d’individus croit. L'aide de l'ordinateur et de l'intelligence artificielle devient donc indispensable.

C'est dans ce but qu'une équipe CNRS composée de membres du Laboratoire de Biométrie et Biologie Évolutive (LBBE – CNRS / Univ Claude Bernard / Vetagro Sup) et du Centre d’Écologie Fonctionnelle et Évolutive (CEFE – CNRS / Univ Montpellier / IRD / EPHE), menée par un tandem ingénieur/chercheur, Vincent Miele et Christophe Bonenfant (LBBE), a fait appel aux toutes dernières techniques de vision par ordinateur. Depuis 2014, des campagnes annuelles de terrain sont réalisées dans le parc national de Hwange, au Zimbabwe, l'une des zones atelier du CNRS, afin d'étudier l'écologie et la dynamique de la population de girafes. À partir de 4000 photographies de girafe rapportées du terrain, l'équipe a ainsi développé une chaine de traitements automatisée qui détecte les éléments similaires dans les pelages des flancs de girafes grâce à une combinaison de techniques d'intelligence artificielle. Le système final s'appuie sur l'apprentissage profond (deep learning) et consiste à projeter les photos dans espace mathématique de grande dimension, ce qui rend possible la mesure d'une distance entre chaque paire de photos. Ainsi, les photos d'un même individu se retrouvent très proches dans cet espace. En pratique, ce système de capture/recapture visuelle permet non seulement de reconnaître les girafes connues dans le suivi et construire leur histoire de vie, mais également de détecter les nouveaux individus non connus auparavant. Le gain de temps par rapport à une traitement manuel est conséquent puisque le système traite plusieurs photos par seconde.

Ces travaux participent à l'essor de l'automatisation de la reconnaissance individuelle animale et contribuent à la mise en place de suivis écologiques. Mis librement à disposition de la communauté, ce système de capture/recapture visuelle (et ses futures évolutions) pourra s'avérer également pertinent pour étudier d'autres espèces au-delà de la girafe.