ForestPersons: A Large-Scale Dataset for Under-Canopy Missing Person Detection

Cet article présente ForestPersons, un nouveau jeu de données à grande échelle conçu pour améliorer la détection de personnes disparues sous la canopée forestière en fournissant des perspectives au sol et à basse altitude, plus adaptées aux missions de recherche et de sauvetage que les vues aériennes traditionnelles.

L'essentiel

🌲 ForestPersons : Le "Super-Héros" pour retrouver les perdus dans la forêt

Imaginez que vous cherchez quelqu'un qui s'est égaré au milieu d'une forêt dense. C'est un peu comme chercher une aiguille dans une botte de foin, mais avec des arbres, des branches et des feuilles partout.

Jusqu'à présent, les équipes de secours utilisaient des drones (de gros avions télécommandés) qui volaient haut dans le ciel. C'est bien pour voir de grandes zones, mais c'est comme essayer de voir un chat caché sous un lit en regardant depuis le plafond : vous ne voyez que le haut du lit, pas le chat. Les feuilles des arbres bloquent la vue.

Les chercheurs de ce papier (de l'ETRI et de l'Université KAIST en Corée) ont eu une idée géniale : "Et si on regardait à la hauteur des yeux, comme un petit drone qui vole juste au-dessus des buissons ?"

Pour cela, ils ont créé ForestPersons, un nouveau "livre de recettes" (un ensemble de données) pour entraîner des intelligences artificielles à trouver des gens perdus, même s'ils sont cachés sous les branches.

---

📸 1. Le Problème : Regarder le monde à l'envers

Les anciens systèmes de reconnaissance de personnes étaient entraînés avec des photos prises :

• Du ciel : Comme un oiseau qui vole très haut (trop haut pour voir sous les feuilles).
• Dans les villes : Avec des gens qui marchent droit, bien visibles sur le trottoir.

Mais dans une forêt, la réalité est différente :

• La personne peut être assise, allongée ou couchée (parce qu'elle est blessée ou fatiguée).
• Elle est souvent cachée par des branches, de la neige ou des buissons.
• La lumière change selon la saison (été vert et sombre, hiver blanc et clair).

Si on entraîne une IA avec des photos de gens marchant dans Paris, elle sera perdue dans une forêt. C'est comme essayer d'apprendre à nager en regardant des photos de gens qui font du ski !

🛠️ 2. La Solution : Une bibliothèque de "vrais" scénarios forestiers

Les chercheurs ont créé ForestPersons, une immense collection de 96 000 photos et 200 000 annotations.

Comment ont-ils fait ?
Au lieu de voler avec un vrai drone (ce qui est dangereux et compliqué), ils ont utilisé des caméras tenues à la main ou sur des trépieds, mais placées à 1,5 mètre du sol. C'est exactement la hauteur où voleraient les petits drones de secours (les MAVs).

Ils ont filmé des acteurs qui jouaient le rôle de personnes perdues :

• Poses variées : Allongés, assis, debout.
• Cachés : Derrière un tronc d'arbre, sous des feuilles, dans la neige.
• Conditions réelles : Parfois il pleut, parfois il fait beau, parfois c'est l'hiver.

C'est comme si on avait créé un simulateur de vol ultra-réaliste pour les yeux de l'ordinateur.

🧠 3. L'Entraînement de l'IA : Apprendre à voir l'invisible

Une fois ces photos prêtes, ils ont utilisé des modèles d'intelligence artificielle (des "cerveaux" numériques) pour apprendre à repérer les gens.

Les résultats sont surprenants :

• Les IA entraînées sur les anciennes photos (prises du ciel ou en ville) ont échoué lamentablement dans la forêt. Elles ne voyaient rien ou confondaient un tronc d'arbre avec un humain.
• Les IA entraînées sur ForestPersons ont réussi ! Elles ont appris à dire : "Attends, ce n'est pas juste un buisson, il y a un bras qui dépasse !" ou "Ce n'est pas un rocher, c'est quelqu'un qui dort sous la neige."

Le papier montre aussi que plus l'IA voit de situations différentes (hiver, été, caché, visible), plus elle devient intelligente et robuste.

🚁 4. Pourquoi c'est important pour le futur ?

Aujourd'hui, les drones de secours sont souvent trop gros pour voler sous les arbres. Mais bientôt, nous aurons des micro-drones (taille d'un oiseau) capables de se faufiler dans les branches.

ForestPersons est la clé pour leur donner des "yeux" intelligents.

• Avant : Le drone vole haut, ne voit rien, et l'équipe de secours doit marcher dans la boue pendant des heures.
• Avec ForestPersons : Le micro-drone vole bas, son IA repère la personne cachée sous les feuilles, et envoie la position exacte aux sauveteurs.

🎯 En résumé

Ce papier nous dit : "Pour sauver des vies dans la forêt, il faut arrêter de regarder depuis le ciel et commencer à regarder depuis le sol."

Ils ont créé le premier grand manuel d'apprentissage spécifiquement conçu pour cette tâche difficile. C'est une étape cruciale pour rendre les missions de sauvetage plus rapides, plus sûres et plus efficaces. C'est comme donner une paire de lunettes de vision nocturne et de rayons X à nos robots sauveteurs ! 🦸‍♂️🌲🚁

Résumé technique

Titre : ForestPersons : Un jeu de données à grande échelle pour la détection de personnes disparues sous la canopée forestière

---

1. Problématique

La recherche et le sauvetage (SAR) en milieu forestier constituent un défi majeur pour les drones autonomes. Bien que les véhicules aériens sans pilote (UAV) soient efficaces pour couvrir de vastes zones, les approches traditionnelles basées sur des perspectives aériennes (vue de dessus ou oblique depuis de grandes altitudes) échouent souvent à détecter des personnes sous une canopée dense.

• Limites des vues aériennes : La végétation dense, les branches et le terrain accidenté créent des occlusions sévères et imprévisibles. À haute altitude, les individus ne représentent souvent que quelques pixels, rendant leur détection quasi impossible.
• Manque de données adaptées : Les jeux de données existants pour le SAR (comme HERIDAL, WiSARD) sont majoritairement collectés depuis le ciel. Inversement, les jeux de données de détection de personnes au sol (comme COCO, CrowdHuman) ne reflètent pas les conditions spécifiques des missions SAR : poses allongées ou assises, occlusions par la végétation, et éclairage variable sous la canopée.
• Besoin critique : Il existe un besoin urgent de perspectives au niveau du sol ou à basse altitude, typiques des Micro Aériens (MAV), pour améliorer la visibilité des personnes disparues cachées sous les arbres.

2. Méthodologie et Construction du Jeu de Données

Les auteurs ont développé ForestPersons, le premier jeu de données à grande échelle spécifiquement conçu pour la détection de personnes sous la canopée forestière.

• Collecte de données :

  • Perspective : Les vidéos ont été enregistrées à une altitude de 1,5 à 2 mètres, simulant la vue d'un MAV en vol rasant.
  • Scénarios : Des acteurs volontaires ont été positionnés dans des postures réalistes de personnes disparues (debout, assis, allongés) dans divers environnements forestiers.
  • Diversité : Les données couvrent différentes saisons (été, hiver avec neige, automne), conditions météorologiques (ensoleillé, nuageux, pluie) et moments de la journée (après-midi, crépuscule).
  • Volume : Le jeu de données contient 96 482 images et 204 078 annotations. Une version infrarouge thermique (ForestPersonsIR) de 64 142 images est également disponible.

• Annotation et Attributs :

  • Chaque instance humaine est annotée avec une boîte englobante (bounding box), un attribut de pose (debout, assis, allongé) et un niveau de visibilité (de 20 à 100, indiquant le degré d'occlusion par la végétation).
  • Anonymisation : Un protocole rigoureux (détection de visage + floutage automatique et manuel) garantit la confidentialité des participants.

• Stratégie de division (Split) :

  • Pour éviter les fuites de données temporelles et assurer une évaluation juste, la division Train/Val/Test est effectuée au niveau des séquences vidéo et non des images.
  • Une approche consciente de la difficulté (difficulty-aware) a été utilisée : la difficulté de chaque séquence est estimée via un modèle pré-entraîné (Faster R-CNN sur COCO), puis les séquences sont réparties de manière équilibrée entre les ensembles d'entraînement, de validation et de test pour garantir que chaque ensemble contient un mélange de scénarios faciles, moyens et difficiles.

3. Contributions Clés

1. Premier Benchmark Sous-Canopée : ForestPersons est le premier jeu de données dédié à la détection de personnes sous la canopée, comblant le fossé entre les données aériennes SAR et les données de détection de personnes au sol.
2. Annotations Riches : L'inclusion de labels de pose et de visibilité permet une analyse fine des performances des modèles face aux occlusions et aux postures non conventionnelles (allongées).
3. Évaluation de l'Écart de Domaine (Domain Gap) : L'article démontre empiriquement que les modèles entraînés sur des données SAR aériennes ou des données de rue ne généralisent pas bien à ce nouveau contexte.
4. Validation sur Données Réelles MAV : Bien que collectées avec des caméras au sol/trépied, les données ont été validées sur un jeu de données réel capturé par un drone (MAV), prouvant leur transférabilité.

4. Résultats Expérimentaux

• Limites des modèles existants :

  • Les modèles entraînés sur des jeux de données SAR aériens (SARD, HERIDAL) obtiennent des performances catastrophiques sur ForestPersons (ex: AP < 3% pour HERIDAL).
  • Les modèles entraînés sur des données de rue (COCO, CityPersons) montrent une dégradation significative, notamment pour les poses assises/allongées et les occlusions fortes.

• Performance des modèles de base (Baseline) :

  • Plusieurs architectures ont été évaluées (YOLOv3/v11, Faster R-CNN, Deformable R-CNN, DETR, DINO, CZ Det).
  • Meilleurs résultats : Le modèle Deformable R-CNN atteint le meilleur AP (66,3%), tandis que DINO obtient le meilleur rappel (AR 77,7%), crucial pour les missions SAR où les faux négatifs sont inacceptables. CZ Det excelle sur les métriques AP50 et AP75.
  • Les modèles YOLO (notamment YOLOv11) offrent un bon compromis vitesse/précision, adaptés au déploiement embarqué.

• Impact des attributs :

  • Visibilité : La précision de détection chute drastiquement lorsque le niveau de visibilité diminue (occlusion forte).
  • Pose : Les modèles entraînés uniquement sur des personnes debout échouent à détecter les personnes assises ou allongées. La diversité des poses dans ForestPersons est essentielle pour la généralisation.
  • Saison : L'entraînement sur une seule saison (ex: hiver) conduit à une mauvaise généralisation vers les autres saisons. L'entraînement sur toutes les saisons est nécessaire pour une robustesse optimale.

• Évaluation Zero-Shot avec VLM :

  • Les modèles de langage-vision (VLM) comme GPT-4o ou Gemini 2.5 ont montré des performances quasi nulles en mode zero-shot pour cette tâche de localisation précise, soulignant la nécessité d'un entraînement spécifique au domaine.

5. Signification et Impact

• Avancement du SAR Autonome : ForestPersons fournit une base solide pour entraîner des modèles capables de fonctionner dans les conditions réelles et difficiles des missions de sauvetage en forêt, où la détection de personnes partiellement cachées est critique.
• Standardisation : Il établit un nouveau standard pour l'évaluation des algorithmes de détection dans des environnements à forte occlusion, dépassant les limites des benchmarks aériens traditionnels.
• Déploiement Pratique : Les résultats montrent que les modèles entraînés sur ce jeu de données (même collecté au sol) se généralisent bien aux données réelles de drones, validant son utilité pour le développement de systèmes de navigation et de détection embarqués sur MAV.
• Éthique : Le jeu de données est publié sous licence de recherche uniquement, avec une interdiction stricte d'utilisation militaire ou nuisible, et inclut des mesures de protection de la vie privée rigoureuses.

En conclusion, ForestPersons représente une avancée majeure pour la communauté de la vision par ordinateur appliquée au sauvetage, en passant d'une perspective aérienne souvent inefficace à une perspective au sol réaliste, enrichie par des annotations détaillées sur les poses et les niveaux d'occlusion.