{"id":584,"date":"2015-07-31T16:28:37","date_gmt":"2015-07-31T16:28:37","guid":{"rendered":"https:\/\/sites.cs.dal.ca\/meridian-rebuild\/?p=584"},"modified":"2020-04-03T15:18:07","modified_gmt":"2020-04-03T15:18:07","slug":"detection-and-classification-of-marine-animal-sounds-using-deep-learning","status":"publish","type":"post","link":"https:\/\/meridian.cs.dal.ca\/fr\/2015\/07\/31\/detection-and-classification-of-marine-animal-sounds-using-deep-learning\/","title":{"rendered":"D\u00e9tection et classification des sons d'animaux marins en utilisant l\u2019apprentissage profond"},"content":{"rendered":"
\n
\n

De nombreuses esp\u00e8ces marines utilisent des sons pour naviguer, communiquer et d\u00e9tecter des proies. Des biologistes marins et d\u2019autres chercheurs en oc\u00e9anographie \u00e9coutent des bruits produits par les animaux marins \u00e0 plusieurs fins, notamment pour rep\u00e9rer des esp\u00e8ces en danger ou pour \u00e9tudier leur comportement social. Au cours des derni\u00e8res ann\u00e9es, des experts du monde entier font de plus en plus appel aux appareils d\u2019\u00e9coute et d\u2019enregistrement. En ce sens, de grandes quantit\u00e9s de donn\u00e9es sont produites, pouvant difficilement faire l\u2019objet d\u2019une analyse manuelle. MERIDIAN \u00e9labore des suites logicielles et des outils qui mettent en \u0153uvre des techniques de pointe de deep learning (apprentissage profond) dans le champ de la bioacoustique sous-marine. Nous envisageons de produire une biblioth\u00e8que de mod\u00e8les entra\u00een\u00e9s pouvant \u00eatre facilement adapt\u00e9s ou am\u00e9lior\u00e9s en cas de besoin. Nous allons continuer nos efforts pour nous consacrer aux projets d\u00e9crits dans les sections qui suivent. Les r\u00e9sultats seront publi\u00e9s dans les prochains mois. N\u2019h\u00e9sitez donc pas \u00e0 consulter cette page ou \u00e0 vous abonner \u00e0 bulletin d\u2019information. <\/p>\n\n\n\n

Projets: <\/h2>\n\n\n\n

D\u00e9tection de poissons <\/h3>\n\n\n\n

Il est connu que des centaines d\u2019esp\u00e8ces de poissons produisent des sons. Nous d\u00e9veloppons des mod\u00e8les qui s\u2019appuient sur des r\u00e9seaux convolutifs temporels (architecture de r\u00e9seau neuronal g\u00e9n\u00e9ralement appliqu\u00e9e aux donn\u00e9es vid\u00e9o) pour rep\u00e9rer automatiquement des sons de poissons parmi des donn\u00e9es obtenues par le biais d\u2019hydrophones. Ainsi, les chercheurs pourront s\u2019en servir pour analyser de grandes quantit\u00e9s de donn\u00e9es encore inexplor\u00e9es. Les premi\u00e8res esp\u00e8ces avec lesquelles nous travaillons sont la morue de l\u2019Arctique et la morue charbonni\u00e8re. \u00c0 ce propos, nous comptons sur la collaboration de M. Francis Juanes, Ph.D., et de Mme Amalis Riera, Ph.D., biologistes de l\u2019\u00e9quipe MERIDIAN \u00e0 l\u2019Universit\u00e9 de Victoria. Ces chercheurs se consacrent \u00e0 l\u2019\u00e9tude de ces esp\u00e8ces ainsi qu\u2019\u00e0 la collecte de donn\u00e9es dans des environnements naturels et contr\u00f4l\u00e9s.<\/p>\n\n\n\n

\"\"
Formes d'onde repr\u00e9sentant les sons caract\u00e9ristiques de la goberge, de la morue polaire et de la morue charbonni\u00e8re<\/figcaption><\/figure>\n\n\n\n

D\u00e9tection et classification des baleines<\/h3>\n\n\n\n

\nNous \u00e9laborons des mod\u00e8les d'apprentissage profond en conciliant des r\u00e9seaux neuronaux convolutifs et r\u00e9currents pour rep\u00e9rer et classifier plusieurs esp\u00e8ces de baleines (ex. : baleine noire, rorqual bor\u00e9al, rorqual commun, baleine \u00e0 bosse). Nous comptons sur la collaboration et l\u2019expertise de quelques groupes et institutions qui mettent des donn\u00e9es \u00e0 notre disposition. Par exemple, M. Chris Taggart, Ph.D., et Mme Kim Davies, Ph.D., du d\u00e9partement d'oc\u00e9anographie de l'Universit\u00e9 Dalhousie \u00e9tudient la baleine noire de l'Atlantique Nord, une esp\u00e8ce en voie de disparition, \u00e0 l'aide de diverses m\u00e9thodes, dont notamment celles utilis\u00e9es en acoustique sous-marine. Nous utilisons des donn\u00e9es que ces chercheurs ont recueillies avec des robots sous-marins autonomes pour d\u00e9velopper des d\u00e9tecteurs. S\u2019ajoute \u00e0 cela les jeux de donn\u00e9es partag\u00e9s par M. Yvan Simard, Ph.D., chef de l\u2019\u00e9quipe MERIDIAN \u00e0 Rimouski, et par nos collaborateurs \u00e0 Ocean Networks Canada. Ces experts veillent \u00e0 ce que nos efforts soient bien align\u00e9s avec les besoins de la communaut\u00e9 de l\u2019acoustique sous-marine.\n<\/p>\n\n\n\n

Application d\u2019entra\u00eenement interactive<\/h3>\n\n\n\n

\nUn des avantages de l'apprentissage profond dans l\u2019\u00e9laboration de d\u00e9tecteurs et de classificateurs est que nous pouvons tirer parti de la grande plasticit\u00e9 des r\u00e9seaux neuronaux. Ces derniers permettent de cr\u00e9er un mod\u00e8le qui peut \u00eatre adapt\u00e9 selon les besoins. MERIDIAN met sur pied une application o\u00f9 les utilisateurs peuvent interagir avec un r\u00e9seau neuronal pendant son entra\u00eenement, en fournissant de la r\u00e9troaction sur sa performance. Le mod\u00e8le peut subs\u00e9quemment employer les saisies de l'expert pour obtenir de meilleurs r\u00e9sultats. L\u2019utilisateur peut appliquer un mod\u00e8le pr\u00e9alablement entra\u00een\u00e9 \u00e0 un \u00e9chantillon d'un nouveau jeu de donn\u00e9es et, par la suite, \u00e9valuer sa performance. Dans le cas o\u00f9 les r\u00e9sultats ne sont pas satisfaisants, l'utilisateur peut introduire plus donn\u00e9es et indiquer si les r\u00e9sultats sont corrects. Au cours de ce processus, l'application accumule les saisies de l'utilisateur pour am\u00e9liorer les capacit\u00e9s de d\u00e9tection \/ classification du mod\u00e8le. Cela peut s\u2019av\u00e9rer utile lorsqu\u2019un mod\u00e8le pr\u00e9alablement entra\u00een\u00e9 est efficace dans une situation donn\u00e9e (ex. : rep\u00e9rage de la baleine \u00e0 bosse dans une zone affect\u00e9e par le bruit la circulation maritime) mais que sa performance est r\u00e9duite dans un nouveau contexte (ex. : une zone avec un niveau \u00e9lev\u00e9 de bruit sismique). Avec l'aide de l'utilisateur, le mod\u00e8le peut s'adapter plus rapidement au nouvel environnement. Cette application poss\u00e8de l\u2019avantage de fonctionner en tant que plateforme d\u2019annotation, une t\u00e2che courante de l\u2019expert en bioacoustique. De cette fa\u00e7on, un r\u00e9seau neuronal peut apprendre tout en observant le travail de l'analyste.\n<\/p>\n\n\n\n

Biblioth\u00e8que de logiciels libres de droits<\/h3>\n\n\n\n

\nLa plupart de nos outils sont destin\u00e9s aux utilisateurs qui ne d\u00e9tiennent pas de comp\u00e9tences avanc\u00e9es en apprentissage machine et en d\u00e9veloppement de logiciels. Les mod\u00e8les et les applications sur lesquels nous travaillons n\u2019exigent pas de connaissances approfondies en programmation ni en informatique. Nous voulons n\u00e9anmoins nous assurer que les d\u00e9veloppeurs impliqu\u00e9s dans l'acoustique sous-marine b\u00e9n\u00e9ficient de notre travail. Cela inclut le code dont nous nous servons pour d\u00e9velopper nos mod\u00e8les dans une biblioth\u00e8que de logiciels libres de droits. Ce dernier comprend, entre autres, des architectures de r\u00e9seaux neuronaux utiles \u00e0 la production de d\u00e9tecteurs et de classificateurs, des algorithmes d\u2019augmentation des donn\u00e9es, des utilitaires permettant de traiter de grands jeux de donn\u00e9es ainsi que plusieurs algorithmes de traitement du signal. Nous conseillons \u00e0 ceux qui souhaitent entra\u00eener un nouveau mod\u00e8le d\u2019essayer une variante d\u2019une architecture de r\u00e9seau ou de consulter la base de code pour comprendre comment les choses fonctionnent. Toute personne int\u00e9ress\u00e9e sera en mesure de le faire une fois que nous aurons publi\u00e9 la premi\u00e8re version de notre biblioth\u00e8que. Les d\u00e9veloppeurs y trouveront \u00e9galement une vaste documentation avec des tutoriels, une suite de tests ainsi que des directives sur les mani\u00e8res de contribuer. \n<\/p>\n\n\n\n

Ensemble de donn\u00e9es d\u2019entra\u00eenement<\/h3>\n\n\n\n

\nLe succ\u00e8s de l\u2019apprentissage profond dans une vari\u00e9t\u00e9 de t\u00e2ches est en grande partie attribu\u00e9 \u00e0 la quantit\u00e9 de donn\u00e9es existantes pour entra\u00eener des mod\u00e8les. Toutefois, lorsqu\u2019il est question de l\u2019acoustique sous-marine, il reste encore un long chemin \u00e0 parcourir pour compiler des jeux de donn\u00e9es utiles \u00e0 l\u2019entra\u00eenement des d\u00e9tecteurs et des classificateurs. Il faut \u00e9galement d\u00e9ployer des efforts pour les d\u00e9crire correctement et les rendre disponibles. MERIDIAN envisage de mettre au point une s\u00e9rie de jeux de donn\u00e9es pouvant \u00eatre utilis\u00e9s dans l\u2019entra\u00eenement des d\u00e9tecteurs et des classificateurs de plusieurs esp\u00e8ces qui s\u2019appuient sur l'apprentissage profond. Ces jeux de donn\u00e9es peuvent \u00eatre utilis\u00e9s avec les algorithmes inclus dans notre biblioth\u00e8que. D\u2019ailleurs, le standard bas\u00e9 sur le HDF5 que nous \u00e9laborons facilite la t\u00e2che des d\u00e9veloppeurs souhaitant concevoir leurs propres mod\u00e8les en utilisant d'autres biblioth\u00e8ques. Nous d\u00e9veloppons \u00e9galement une application permettant d\u2019assembler des jeux de donn\u00e9es d\u2019entra\u00eenement \u00e0 partir de donn\u00e9es accessibles au public et de techniques d\u2019augmentation de donn\u00e9es. Par exemple, un chercheur peut vouloir utiliser l'un de nos mod\u00e8les pr\u00e9alablement entra\u00een\u00e9s pour d\u00e9tecter les orques, mais il constate que la pr\u00e9sence de dauphins dans son jeu de donn\u00e9es engendre souvent de faux positifs. Il peut ensuite utiliser l'application pour ajouter des cris de dauphins \u00e0 un jeu de donn\u00e9es d'orques et entra\u00eener de nouveau le mod\u00e8le. Cette d\u00e9marche peut r\u00e9duire la possibilit\u00e9 d\u2019obtenir de faux positifs.\n<\/p>\n<\/div>\n\n\n\n

\n
Liens connexes<\/h5>\n\n\n\n