Les écosystèmes marins sont en pleine crise de conservation, les récifs coralliens en particulier étant confrontés à de nombreux défis du fait du changement climatique. Dans un effort pour mieux comprendre ces environnements et les menaces auxquelles ils sont confrontés, les chercheurs collectent d’énormes bibliothèques d’images de ces environnements sous-marins, en utilisant des images 3D collectées auprès de plongeurs et de plongeurs en apnée, ainsi que des images 2D collectées à partir de satellites. Ces approches fournissent aux chercheurs d’énormes quantités de données, mais pour extraire de la valeur de ces bibliothèques, il faut une méthode pour analyser rapidement des modèles ou des «classifications».
Dans une nouvelle étude en Frontières en sciences marines, des chercheurs du laboratoire de détection avancée du centre de recherche Ames de la NASA ont automatisé ce processus grâce à l’utilisation d’un outil d’intelligence artificielle appelé réseau neuronal convolutif (CNN), comme l’explique l’auteur principal Jarrett van den Bergh du Bay Area Environmental Research Institute:
“De grandes quantités d’images 3D des récifs coralliens doivent être classées afin que nous puissions avoir une idée de la façon dont les écosystèmes de récifs coralliens évoluent au fil du temps. Rendre ce processus de classification aussi efficace que possible nous a conduit à envisager l’automatisation avec les CNN.”
Les CNN sont un modèle d’intelligence artificielle basé sur des neurones et des cerveaux biologiques utilisés pour analyser des images et rechercher des caractéristiques, telles que différentes espèces de corail sur un récif, ou même des poissons nageant à travers une scène sous-marine, ainsi que l’emplacement de ces caractéristiques. relation avec tout le reste de l’image. Cette profondeur en couches est ce qui fait des CNN un si bon choix pour l’analyse d’images complexes, telles que les récifs coralliens.
Jarrett van den Bergh explique, cependant, que l’utilisation des CNN peut également présenter des défis supplémentaires lors de la classification des données: «Les CNN nécessitent beaucoup de données d’entraînement pour fonctionner correctement, il était donc vital pour nous de créer une grande base de données de données que nous pourrions utiliser pour nous entraîner le CNN sur la façon de classer ces images 3D complexes de récifs coralliens. ”
Pour surmonter ce défi, les chercheurs ont utilisé une approche de science citoyenne sous la forme d’un jeu vidéo appelé NeMO-Net, qui exploite le pouvoir des citoyens scientifiques pour générer des ensembles de données de formation. Au fur et à mesure que les joueurs explorent des mondes sous-marins virtuels, ils peuvent en apprendre davantage sur les espèces de corail et les classer, et leurs étiquettes de classification sont ensuite utilisées pour former le CNN de NeMO-Net.
M. van den Bergh souligne également les aspects les plus gratifiants du projet NeMO-Net: «NeMO-Net collecte principalement des données, mais c’est aussi un outil pédagogique qui permet aux gens de mieux comprendre nos récifs coralliens. À ce jour, le jeu a atteint plus de 300 millions de personnes au cours des 7 mois qui ont suivi sa sortie.
Les chercheurs espèrent que leurs travaux de développement du jeu vidéo NeMO-Net et de CNN seront utiles pour d’autres projets de conservation et de cartographie, et des recherches supplémentaires sur les potentiels de l’apprentissage automatique devraient être explorées:
«Au fur et à mesure que notre technologie progresse, l’apprentissage automatique pourrait nous donner une bonne estimation de ce à quoi ressembleront nos récifs coralliens dans 2 ou 5 ans. Cela pourrait être extrêmement utile pour les défenseurs des récifs coralliens qui souhaitent voir l’impact de leur travail. . Nous commençons tout juste à voir les impacts de l’apprentissage automatique sur la conservation. ”
###
Avertissement: AAAS et EurekAlert! ne sont pas responsables de l’exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l’utilisation de toute information via le système EurekAlert.
.
Les écosystèmes marins sont en pleine crise de conservation, les récifs coralliens en particulier étant confrontés à de nombreux défis du fait du changement climatique. Dans un effort pour mieux comprendre ces environnements et les menaces auxquelles ils sont confrontés, les chercheurs collectent d’énormes bibliothèques d’images de ces environnements sous-marins, en utilisant des images 3D collectées auprès de plongeurs et de plongeurs en apnée, ainsi que des images 2D collectées à partir de satellites. Ces approches fournissent aux chercheurs d’énormes quantités de données, mais pour extraire de la valeur de ces bibliothèques, il faut une méthode pour analyser rapidement des modèles ou des «classifications».
Dans une nouvelle étude en Frontières en sciences marines, des chercheurs du laboratoire de détection avancée du centre de recherche Ames de la NASA ont automatisé ce processus grâce à l’utilisation d’un outil d’intelligence artificielle appelé réseau neuronal convolutif (CNN), comme l’explique l’auteur principal Jarrett van den Bergh du Bay Area Environmental Research Institute:
“De grandes quantités d’images 3D des récifs coralliens doivent être classées afin que nous puissions avoir une idée de la façon dont les écosystèmes de récifs coralliens évoluent au fil du temps. Rendre ce processus de classification aussi efficace que possible nous a conduit à envisager l’automatisation avec les CNN.”
Les CNN sont un modèle d’intelligence artificielle basé sur des neurones et des cerveaux biologiques utilisés pour analyser des images et rechercher des caractéristiques, telles que différentes espèces de corail sur un récif, ou même des poissons nageant à travers une scène sous-marine, ainsi que l’emplacement de ces caractéristiques. relation avec tout le reste de l’image. Cette profondeur en couches est ce qui fait des CNN un si bon choix pour l’analyse d’images complexes, telles que les récifs coralliens.
Jarrett van den Bergh explique, cependant, que l’utilisation des CNN peut également présenter des défis supplémentaires lors de la classification des données: «Les CNN nécessitent beaucoup de données d’entraînement pour fonctionner correctement, il était donc vital pour nous de créer une grande base de données de données que nous pourrions utiliser pour nous entraîner le CNN sur la façon de classer ces images 3D complexes de récifs coralliens. ”
Pour surmonter ce défi, les chercheurs ont utilisé une approche de science citoyenne sous la forme d’un jeu vidéo appelé NeMO-Net, qui exploite le pouvoir des citoyens scientifiques pour générer des ensembles de données de formation. Au fur et à mesure que les joueurs explorent des mondes sous-marins virtuels, ils peuvent en apprendre davantage sur les espèces de corail et les classer, et leurs étiquettes de classification sont ensuite utilisées pour former le CNN de NeMO-Net.
M. van den Bergh souligne également les aspects les plus gratifiants du projet NeMO-Net: «NeMO-Net collecte principalement des données, mais c’est aussi un outil pédagogique qui permet aux gens de mieux comprendre nos récifs coralliens. À ce jour, le jeu a atteint plus de 300 millions de personnes au cours des 7 mois qui ont suivi sa sortie.
Les chercheurs espèrent que leurs travaux de développement du jeu vidéo NeMO-Net et de CNN seront utiles pour d’autres projets de conservation et de cartographie, et des recherches supplémentaires sur les potentiels de l’apprentissage automatique devraient être explorées:
«Au fur et à mesure que notre technologie progresse, l’apprentissage automatique pourrait nous donner une bonne estimation de ce à quoi ressembleront nos récifs coralliens dans 2 ou 5 ans. Cela pourrait être extrêmement utile pour les défenseurs des récifs coralliens qui souhaitent voir l’impact de leur travail. . Nous commençons tout juste à voir les impacts de l’apprentissage automatique sur la conservation. ”
###
Avertissement: AAAS et EurekAlert! ne sont pas responsables de l’exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l’utilisation de toute information via le système EurekAlert.
. — to www.eurekalert.org
