Classification des espèces de poissons dans des environnements sous-marins non contraints basée sur l'apprentissage profond

Les vidéos sous-marines et les appareils photo numériques sont rapidement adoptés par les scientifiques et les gestionnaires marins comme outil pour quantifier et mesurer de manière non destructive l'abondance relative, la couverture et la taille de la faune et de la flore marines. Le traitement et l'analyse manuels des images enregistrées des poissons peuvent être longs et coûteux. Pour cette raison, il existe un grand intérêt pour la classification, le comptage et la mesure automatiques des poissons. Les scènes sous-marines non contraintes sont très variables en raison des changements d'intensité lumineuse, des changements d'orientation des poissons dus aux mouvements, d'une variété d'habitats de fond qui se déplacent parfois également, et surtout de la similitude de forme et de motifs parmi les poissons de différentes espèces. Cela représente un grand défi pour les techniques de traitement d'image/vidéo afin de différencier avec précision les classes ou les espèces de poissons pour effectuer une classification automatique. Nous présentons une approche d'apprentissage automatique, qui est adaptée pour résoudre ce défi. Nous démontrons l'utilisation d'un modèle de réseau de neurones convolutifs dans une configuration de combinaison hiérarchique de fonctionnalités pour apprendre des caractéristiques visuelles spécifiques aux espèces de poissons qui sont uniques, mais abstraites et robustes contre la variabilité environnementale ainsi que intra et inter-espèces. Cette approche évite le besoin d'extraire explicitement des caractéristiques des images brutes des poissons en utilisant plusieurs techniques de traitement d'image fragmentées. En conséquence, nous réalisons une architecture unique et générique entraînée avec des performances favorables même pour des images d'échantillon d'espèces de poissons qui n'ont pas été utilisées lors de l'entraînement. En utilisant les ensembles de données de référence LifeCLEF14 et LifeCLEF15, nous avons démontré des résultats avec un taux de classification correct de plus de 90 %.