{"id":161,"date":"2019-03-14T15:16:32","date_gmt":"2019-03-14T15:16:32","guid":{"rendered":"https:\/\/sites.cs.dal.ca\/meridian-rebuild\/?p=161"},"modified":"2019-12-10T15:08:11","modified_gmt":"2019-12-10T15:08:11","slug":"acoustic-detection-and-classification-with-deep-neural-networks","status":"publish","type":"post","link":"https:\/\/meridian.cs.dal.ca\/fr\/2019\/03\/14\/acoustic-detection-and-classification-with-deep-neural-networks\/","title":{"rendered":"D\u00e9tection acoustique et classification \u00e0 l\u2019aide de r\u00e9seaux neuronaux profonds"},"content":{"rendered":"

Une application permettant la coop\u00e9ration d\u2019analystes humains et de r\u00e9seaux neuronaux artificiels dans l'analyse de grands jeux de donn\u00e9es acoustiques marines\u2026 <\/p><\/blockquote>\n\n\n\n

Auteur: Oliver Kirsebom \u2013 Lead Acoustic Data Analyst<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Auto Conduite par xkcd.com<\/a><\/p>\n\n\n\n

Le suivi acoustique passif (PAM) est une m\u00e9thode tr\u00e8s efficace et rentable largement utilis\u00e9e en \u00e9cologie pour \u00e9tudier les animaux dans les environnements terrestre et marin. Cette m\u00e9thode permet de recueillir des donn\u00e9es pr\u00e9cieuses sur de longues p\u00e9riodes de temps sans grands efforts. L\u2019enregistrement de ces \u00ab paysages sonores \u00bb a d'importantes applications scientifiques et soci\u00e9tales. D\u2019une part, il s\u2019agit d\u2019une source unique de donn\u00e9es pour les scientifiques sur des sujets allant des comportements d'animaux aux changements de la biodiversit\u00e9. D\u2019autre part, les connaissances acquises peuvent \u00e9clairer les prises de d\u00e9cision en mati\u00e8re d'environnement et de conservation. <\/p>\n\n\n\n

Cependant, tout le potentiel du suivi acoustique passif reste \u00e0 explorer en raison du manque d'outils analytiques automatis\u00e9s. \u00c9tant donn\u00e9 la nature complexe et dynamique de l\u2019environnement sonore sous-marin, l\u2019analyse est g\u00e9n\u00e9ralement effectu\u00e9e par un expert ou par un algorithme soigneusement con\u00e7u et hautement sp\u00e9cialis\u00e9. Ce dernier exige d\u2019importants efforts de mise en \u0153uvre, ce qui repr\u00e9sente une difficult\u00e9 dans l\u2019application du suivi acoustique passif et un obstacle \u00e0 la mise en pratique de cette m\u00e9thode \u00e0 grande \u00e9chelle. <\/p>\n\n\n\n

Les r\u00e9seaux neuronaux profonds<\/a> se sont av\u00e9r\u00e9s utiles dans les t\u00e2ches li\u00e9es \u00e0 la reconnaissance d'images, \u00e0 la segmentation vid\u00e9o ainsi qu\u2019au traitement de la parole et sont fort prometteurs pour les applications en acoustique marine. Il est possible de voir, par exemple, les efforts d\u00e9ploy\u00e9s r\u00e9cemment par Google pour entra\u00eener un r\u00e9seau neuronal \u00e0 convolution permettant de d\u00e9tecter les chants des baleines \u00e0 bosse<\/a>. Le succ\u00e8s du deep learning (apprentissage profond) d\u00e9pend toutefois de la disponibilit\u00e9 de grands jeux de donn\u00e9es valid\u00e9s qui sont utilis\u00e9s pour entra\u00eener les r\u00e9seaux neuronaux. En acoustique marine, les jeux de donn\u00e9es valid\u00e9s sont rarement assez volumineux pour entra\u00eener un r\u00e9seau neuronal profond. Pourtant, tout espoir n'est pas perdu. Il est possible que, au lieu de remplacer humains, la coop\u00e9ration entre ces derniers et le r\u00e9seau permette d\u2019exploiter les avantages des r\u00e9seaux neuronaux profonds. <\/p>\n\n\n\n

Actuellement, MERIDIAN explore cette id\u00e9e gr\u00e2ce \u00e0 la cr\u00e9ation d'une application visuelle d'apprentissage (inter)active qui permettra \u00e0 l'analyste de v\u00e9rifier et de corriger les classifications propos\u00e9es par le r\u00e9seau neuronal. Cela favorisera l\u2019am\u00e9lioration de la performance du r\u00e9seau neuronal au fur et \u00e0 mesure que son jeu de donn\u00e9es d\u2019entra\u00eenement grandit. Plus le r\u00e9seau neuronal devient confiant dans ses pr\u00e9dictions, plus l'analyste pourra lui confier davantage de d\u00e9cisions, acc\u00e9l\u00e9rant ainsi la t\u00e2che d\u2019analyse g\u00e9n\u00e9rale. Un tel cycle de r\u00e9troaction peut engendrer un entra\u00eenement plus efficace des r\u00e9seaux neuronaux permettant ainsi que de gagner du temps pr\u00e9cieux. L\u2019analyste sera ainsi en mesure de traiter les donn\u00e9es et de v\u00e9rifier les performances du d\u00e9tecteur rapidement. Pour atteindre cet objectif, nous explorons divers syst\u00e8mes d\u2019entra\u00eenement en vue de trouver la strat\u00e9gie la plus efficace pour le r\u00e9seau neuronal, en exploitant diverses techniques d\u2019augmentation des donn\u00e9es et d\u2019apprentissage par transfert. <\/p>\n\n\n\n

Une application d\u2019apprentissage interactif qui s\u2019appuie sur l\u2019apprentissage profond pourrait un jour faire partie d\u2019une bo\u00eete \u00e0 outils standard mise \u00e0 la disposition des \u00e9cologistes marins pour analyser de grandes quantit\u00e9s de donn\u00e9es acoustiques. Cependant, le succ\u00e8s de l\u2019apprentissage profond en acoustique marine d\u00e9pendra de la disponibilit\u00e9 de grands jeux de donn\u00e9es d\u2019entra\u00eenement librement partag\u00e9s entre des groupes de recherche de la communaut\u00e9. Nous reviendrons sur ce sujet dans un autre article du blogue\u2026 <\/p>","protected":false},"excerpt":{"rendered":"

An application that enables human analysts and artificial neural networks to work together on the task of analyzing large marine acoustic data sets… Author:   Oliver Kirsebom – Lead Acoustic Data Analyst Self Driving by xkcd.com Passive acoustic monitoring (PAM) is a highly effective and cost-efficient method widely used in […]<\/p>\n","protected":false},"author":2,"featured_media":96,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-161","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-opinion"],"_links":{"self":[{"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/posts\/161","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/comments?post=161"}],"version-history":[{"count":6,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/posts\/161\/revisions"}],"predecessor-version":[{"id":1476,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/posts\/161\/revisions\/1476"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/media\/96"}],"wp:attachment":[{"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/media?parent=161"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/categories?post=161"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/meridian.cs.dal.ca\/fr\/wp-json\/wp\/v2\/tags?post=161"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}