Réseaux de neurones profonds pour la détection automatisée des espèces de mammifères marins

Les réseaux de neurones profonds ont fait progresser le domaine de la détection et de la classification et ont permis une identification efficace des signaux dans des ensembles de données difficiles. De nombreux besoins de conservation critiques dans le temps peuvent bénéficier de ces méthodes. Nous avons développé et étudié empiriquement une variété de réseaux de neurones profonds pour détecter les vocalisations des baleines franches de l'Atlantique Nord (Eubalaena glacialis) en danger. Nous avons comparé la performance de ces architectures profondes à celle des algorithmes de détection traditionnels pour la vocalisation principale produite par cette espèce, l'upcall. Nous montrons que les architectures d'apprentissage profond sont capables de produire des taux de faux positifs qui sont des ordres de magnitude inférieurs à ceux des algorithmes alternatifs tout en augmentant considérablement la capacité à détecter les appels. Nous démontrons qu'un réseau de neurones profond entraîné avec des enregistrements d'une seule région géographique sur une période de plusieurs jours est capable de bien généraliser aux données de plusieurs années et à travers l'aire de répartition de l'espèce, et que les faibles faux positifs rendent la sortie de l'algorithme soumise à un contrôle de qualité pour vérification. Les réseaux de neurones profonds que nous avons développés sont relativement faciles à mettre en œuvre avec les logiciels existants et peuvent fournir de nouvelles perspectives applicables à la conservation des espèces en danger.