DeepForestVisionV2: Ecology-Driven Taxonomy Expansion for Camera-Trap Monitoring in African Tropical Forests

Cet article présente DeepForestVisionV2, une extension de l'outil original DeepForestVision pilotée par l'écologie qui augmente le nombre de classes de prédiction de 35 à 64 afin de mieux traiter la stratification verticale, l'ouverture des scènes et les interfaces anthropiques dans les forêts tropicales africaines, améliorant ainsi de manière significative la précision de l'identification et la diversité taxonomique à travers divers scénarios de déploiement de pièges photographiques tout en maintenant des capacités de flux de travail hors ligne robustes.

L'essentiel

Imaginez que vous êtes un garde forestier essayant de suivre chaque animal dans une vaste et dense forêt africaine. Vous avez installé des centaines de caméras à détection de mouvement qui prennent des milliers de photos et de vidéos chaque jour. Autrefois, vous deviez vous asseoir là et regarder chaque image vous-même, ce qui est impossible. C'est pourquoi des scientifiques ont conçu un logiciel de « caméra intelligente » appelé DeepForestVision pour faire le tri à votre place.

Cependant, le logiciel original était comme un bibliothécaire généraliste qui savait seulement classer des livres sur les « animaux de la forêt ». Il fonctionnait très bien pour les animaux cachés au plus profond des arbres, mais il s'embrouillait lorsqu'une caméra était placée près d'une rivière, haut dans la canopée ou juste à côté d'un village. Il voyait un oiseau et se contentait de l'étiqueter « oiseau », ou voyait une chèvre et pensait qu'il s'agissait d'un animal sauvage, provoquant ainsi de fausses alertes.

DeepForestVisionV2 est la version améliorée du logiciel, la version « bibliothécaire expert ». Voici comment l'article explique ses améliorations en utilisant des concepts simples :

1. Le Problème : L'erreur du « Taille unique »

Le logiciel original avait été entraîné principalement sur des photos prises au plus profond de la forêt fermée. Il possédait une liste de 35 catégories (comme « singe », « oiseau » ou « civette »).

• Le problème : Lorsque les gardes déplaçaient les caméras vers de nouveaux endroits, le logiciel avait du mal.
  • Gradient Vertical : Si on plaçait une caméra en hauteur pour voir les singes dans les arbres, le logiciel ne parvenait pas à faire la différence entre un type spécifique de singe et un autre.
  • Gradient d'Ouverture : Si on plaçait une caméra près d'une rivière, il voyait des oiseaux et des animaux aquatiques qu'il n'avait jamais appris à reconnaître, alors il se contentait de deviner « oiseau » ou les manquait complètement.
  • Interface Humaine : Si on plaçait une caméra près de la lisière d'un parc, il ne pouvait pas faire la différence entre un animal sauvage et la chèvre d'un fermier. Cela signifiait que le système envoyait de fausses alertes chaque fois qu'une chèvre passait par là.

2. La Solution : Un Dictionnaire Plus Grand et Plus Intelligent

Les chercheurs ont étendu le « dictionnaire » du logiciel de 35 catégories à 64.

• Au lieu de simplement « singe », il connaît désormais des types spécifiques comme le « singe à queue rouge » ou le « mangabey à joues grises ».
• Au lieu de simplement « oiseau », il peut distinguer un « héron », un « canard » ou un « rapace ».
• Crucialement, il possède désormais des étiquettes spécifiques pour les chèvres, les vaches et les chiens. Cela lui permet de dire : « Ce n'est pas un animal sauvage ; c'est du bétail », et de l'ignorer.

3. L'Entraînement : Apprendre de la Vie Réelle

Pour enseigner à cette nouvelle version, les chercheurs n'ont pas utilisé un seul type de photo. Ils l'ont nourrie avec une bibliothèque massive de 1,5 million de photos et 243 000 vidéos provenant de différents pays (Ouganda, Gabon, Sierra Leone, etc.).

• Considérez cela comme le fait de montrer au logiciel un million de différentes « boîtes mystères » provenant de partout dans la forêt, afin qu'il apprenne à reconnaître les animaux qu'ils soient dans l'ombre profonde, au bord d'une rivière ensoleillée ou près d'un village.

4. Les Résultats : Meilleur dans son Travail

Les chercheurs ont testé cette nouvelle version contre l'ancienne dans trois scénarios du monde réel :

• Forêt Profonde (L'Intérieur) : La nouvelle version était tout aussi précise que l'ancienne, mais elle pouvait identifier 7 types d'animaux supplémentaires (principalement des singes et des oiseaux spécifiques) que l'ancienne version regroupait indistinctement.
• Rives de Rivière (L'Ouverture) : Le logiciel original était mauvais ici. La nouvelle version a identifié 9 types d'animaux différents (incluant des oiseaux et des hippopotames) contre 4 pour l'ancien. Il n'a pas perdu en précision ; il a simplement gagné en connaissances.
• Lisières de Parcs (L'Interface Humaine) : Ce fut la plus grande victoire. L'ancien logiciel a généré 11 fausses alertes (pensant que les chèvres étaient des animaux sauvages). Le nouveau logiciel a généré zéro fausse alerte. Il a correctement identifié les chèvres et les a ignorées, tout en capturant toujours la véritable faune sauvage.

5. L'Essentiel

L'article conclut que DeepForestVisionV2 est un outil plus utile pour les conservateurs. Il ne fonctionne pas seulement mieux dans les bois profonds ; il fonctionne mieux dans les endroits réels et complexes où les caméras sont réellement placées aujourd'hui.

Il conserve le même système facile d'utilisation et hors ligne (pas besoin d'internet), mais donne aux gardes une image beaucoup plus détaillée et précise de ce qui se passe dans la forêt, des cimes des arbres aux rives des rivières, et des animaux sauvages aux animaux de la ferme qui errent à proximité.

Résumé technique

Résumé technique : DeepForestVisionV2

Problématique
La surveillance par pièges photographiques dans les forêts tropicales africaines s'étend de plus en plus au-delà des intérieurs sous canopée fermée pour inclure les berges de rivières, les clairières et les lisières de parcs. Bien que l'identification automatisée des espèces soit essentielle pour traiter le volume croissant de données, les outils existants manquent souvent de la résolution taxonomique requise pour ces divers scénarios de déploiement. Le modèle original DeepForestVision, bien que supérieur aux autres outils ouverts (Mbaza, Zamba, SpeciesNet) pour le traitement hors ligne de vidéos et de photos, a été conçu pour les intérieurs de sous-bois au niveau du sol sous canopée fermée. Son espace de prédiction de 35 classes est trop grossier pour les gradients écologiques émergents :

1. Stratification verticale : Les primates arboricoles deviennent visibles à proximité des clairières et des ouvertures de la canopée.
2. Ouverture de la scène : Les berges de rivières exposent des oiseaux et des taxons semi-aquatiques rarement vus dans les zones denses de l'intérieur.
3. Interfaces anthropiques : La surveillance des lisières de parcs nécessite de distinguer la faune sauvage du bétov pour éviter les alarmes de nuisance.

Les étiquettes grossières du modèle original (par exemple, « oiseau » générique, « singe » ou « civette/genette ») sont insuffisantes pour l'interprétation écologique ou les mesures de gestion dans ces contextes spécifiques.

Méthodologie
Les auteurs présentent DeepForestVisionV2, une expansion du système original pilotée par l'écologie qui conserve le même flux de travail hors ligne et sans code (via AddaxAI) pour les photographies et les vidéos.

• Expansion taxonomique : L'espace de prédiction a été étendu de 35 à 64 classes (61 classes animales, plus l'humain, le véhicule et le vide). Cette refonte cible spécifiquement les trois gradients écologiques mentionnés, introduisant des classes plus fines pour les primates (ex: espèces spécifiques de mangabeys et de colobes), les oiseaux (ex: grues, calaos), les taxons semi-ripariens (ex: loutres, hippopotames) et les animaux domestiques (bovins, chiens, chèvres).
• Jeux de données : Le modèle a été entraîné sur un corpus multi-pays comprenant 1 535 010 photographies et 243 354 vidéos provenant de projets de forêts tropicales africaines en Ouganda, au Gabon, en Sierra Leone et au Congo. Les sources de données incluent le projet de chimpanzés de Sebitoli, le CIRAD, Biotope et Wildlife Insights.
• Architecture du pipeline :
  • Détection : MegaDetector v5 est utilisé pour détecter les animaux, les humains et les véhicules. Les étiquettes humain et véhicule sont assignées directement ; les détections animales sont recadrées.
  • Classification : Les détections animales recadrées sont traitées par un classificateur DINOv3 ViT-B/16 affiné.
  • Agrégation : Pour les vidéos, les scores de classe sont calculés sur des images échantillonnées et moyennés pour produire une prédiction unique par élément.
• Stratégie d'entraînement : Le classificateur a été affiné en utilisant PyTorch avec une augmentation extensive (recadrages redimensionnés aléatoires, retournements, variation de couleur, niveaux de gris, etc.). L'optimisation a utilisé AdamW avec des taux d'apprentissage distincts pour le backbone et la tête, le lissage des étiquettes (label smoothing) et un ordonnancement cosinus (cosine scheduling).
• Protocole d'évaluation :
  • Validation : Un jeu de validation de photos recadrées transfrontalier (dérivé des sources d'entraînement mais séparé au niveau de la caméra) a été utilisé pour évaluer la robustesse à travers les sites et les réglages.
  • Benchmarks de déploiement : Trois benchmarks vidéo tenus à l'écart du parc national de Kibale, en Ouganda, ont été utilisés pour simuler des conditions réelles : Intérieur de la forêt (17 899 vidéos), Berges de rivières (1 016 vidéos) et Lisière de parc (146 vidéos).
  • Métriques : L'exactitude (accuracy), l'exactitude équilibrée (balanced accuracy), le F1 macro et la précision/rappel par classe ont été rapportés. Pour le benchmark de la lisière de parc, une « tâche d'alarme » a été définie pour mesurer la capacité du système à distinguer les intrusions de primates des passages de chèvres de nuisance.

Contributions clés

1. Taxonomie pilotée par l'écologie : Une expansion de 35 à 64 classes alignée sur la stratification verticale, l'ouverture de la scène et les interfaces anthropiques.
2. Benchmark de robustesse : Un jeu de validation de photos recadrées géographiquement diversifié, à l'échelle de l'Afrique, pour évaluer la robustesse du classificateur à travers différents sites et réglages de pièges photographiques.
3. Évaluation centrée sur le déploiement : Une évaluation comparative de DeepForestVisionV2 par rapport au DeepForestVision original sur trois benchmarks vidéo spécifiques, démontrant la performance sous des flux de travail hors ligne identiques.

Résultats

• Jeu de validation : DeepForestVisionV2 a atteint 0,86 d'exactitude, 0,81 d'exactitude équilibrée et 0,82 de F1 macro sur l'ensemble de l'espace cible de 61 animaux, démontrant sa robustesse à travers les pays et les habitats.
• Benchmark Intérieur de la forêt : Le modèle a maintenu l'exactitude originale (0,89) tout en augmentant le nombre de taxons identifiés de 22 à 29, faisant émerger des groupes spécifiques de primates arboricoles et d'oiseaux auparavant fusionnés dans des étiquettes grossières.
• Benchmark Berges de rivières : L'exactitude est restée comparable (0,72 contre 0,73), mais le nombre de taxons identifiés est passé de 4 à 9, capturant des oiseaux et des espèces semi-aquatiques.
• Benchmark Lisière de parc : Le modèle a considérablement amélioré l'exactitude, passant de 0,62 à 0,86. Crucialement, il a réduit les fausses alarmes (détections de chèvres déclenchant des alertes de primates) de 11 à 0, tout en maintenant un rappel élevé (0,95) pour les véritables alertes de primates.
• Calibration : Le modèle a présenté une erreur de calibration attendue (ECE) de 0,17, indiquant une sous-confiance (l'exactitude empirique dépassant la confiance prédite), ce qui suggère que les scores de confiance ne doivent pas être traités comme des probabilités calibrées sans ajustement post-hoc.

Signification et affirmations
L'article affirme que DeepForestVisionV2 améliore matériellement l'utilité de terrain de la surveillance par pièges photographiques sans sacrifier la robustesse du flux de travail hors ligne original. En alignant la taxonomie sur les gradients de déploiement écologique spécifiques, le système :

• Préserve ou améliore l'exactitude de base malgré la difficulté accrue d'une tâche à 64 classes.
• Fournit la résolution taxonomique nécessaire pour les questions écologiques en aval dans les environnements non forestiers.
• Offre des avantages opérationnels directs pour la gestion des parcs en filtrant les alarmes de nuisance (bétail) aux lisières de parcs, rendant le système plus viable pour les pipelines d'alerte automatisés où les faux positifs sont coûteux.

Les auteurs concluent que l'expansion de la taxonomie pilotée par l'écologie rend les flux de travail d'IA prêts pour le terrain plus informatifs pour la conservation à travers des habitats contrastés, bien qu'ils notent que les performances sur les benchmarks vidéo sont inférieures à celles sur les images recadrées en raison des erreurs de détection et d'un support de validation limité pour les taxons rares.