WIO-ReefFish: A High-Resolution Dataset for Taxon-Aware Coral Reef Fish Detection in the Western Indian Ocean

Pour comprendre la santé d'un récif corallien, les scientifiques observent souvent les poissons qui y nagent. La variété et le nombre de différentes espèces présentes agissent comme un bulletin de notes vivant pour l'écosystème, révélant si le récif est florissant ou en difficulté. Pendant des décennies, les chercheurs se sont appuyés sur des plongeurs qui nageaient le long du récif, comptaient les poissons qu'ils voyaient et notaient ce qu'ils trouvaient. Ce travail manuel est lent, coûteux et difficile à étendre pour couvrir les vastes étendues d'océan qui nécessitent une surveillance. Ces dernières années, les ordinateurs ont commencé à apprendre à repérer automatiquement ces poissons dans des vidéos sous-marines, offrant un moyen d'accélérer le processus. Cependant, pour que ces programmes informatiques apprennent efficacement, ils doivent être entraînés sur de vastes collections d'images réelles où chaque poisson a été soigneusement identifié par un humain. De telles collections ont été rares, particulièrement pour l'Océan Indien occidental, laissant une lacune dans notre capacité à surveiller ces habitats critiques avec la technologie moderne.

Une nouvelle étude comble cette lacune en introduisant une collection massive et de haute qualité d'images sous-marines spécifiquement conçue pour apprendre aux ordinateurs à trouver et identifier les poissons de récif. Les chercheurs ont compilé mille photographies ultra-claires, chacune capturant une vue large du récif telle qu'un plongeur la verrait lors d'un relevé standard. Ces images ne sont pas de simples instantanés ; elles sont accompagnées de milliers de contours précis dessinés autour de chaque poisson, marquant exactement où il se trouve et de quel type il s'agit. Le jeu de données couvre vingt-quatre groupes différents de poissons, préservant la manière complexe dont ces animaux vivent ensemble dans leur environnement naturel. En rendant cette ressource publique, l'équipe a fourni un terrain d'entraînement réaliste pour les outils de vision par ordinateur, allant au-delà des simples tests de laboratoire pour affronter la réalité désordonnée et encombrée d'un récif corallien.

L'équipe a utilisé ces images pour tester la performance de neuf modèles informatiques différents sur deux tâches spécifiques. La première tâche exigeait que l'ordinateur trouve un poisson et nomme son type spécifique, un processus appelé détection sensible à la classe (class-aware detection). La seconde tâche demandait à l'ordinateur de localiser uniquement où se trouvait un poisson, sans avoir besoin de connaître son espèce exacte, ce qu'ils ont appelé localisation agnostique à la classe (class-agnostic localization). Les résultats ont montré une différence de performance claire. Lorsque les ordinateurs devaient simplement trouver le poisson, ils ont très bien réussi, les localisant même lorsque les images étaient nouvelles et inédites. Cependant, lorsque la tâche exigeait que l'ordinateur identifie également le type spécifique de poisson, la performance a chuté de manière significative. Le meilleur modèle a amélioré sa précision d'un niveau modéré pour l'identification des espèces à un niveau beaucoup plus élevé lorsqu'il ne devait que trouver le poisson. Cela indique que, si les ordinateurs deviennent assez doués pour repérer la présence d'un poisson, distinguer une espèce d'une autre reste un défi bien plus difficile dans le bruit visuel complexe d'un récif.

L'étude a également testé la capacité de ces modèles à fonctionner dans des endroits qu'ils n'avaient jamais vus auparavant. Lorsque les chercheurs ont évalué les systèmes sur des images provenant de différents sites de relevés et de différents pays, la capacité à identifier des types de poissons spécifiques a nettement faibli. Les modèles ont eu du mal à généraliser leurs connaissances à de nouveaux environnements lorsqu'on leur demandait de nommer les espèces. En revanche, la capacité à simplement localiser les poissons est restée forte et fiable à travers ces différents contextes. Cela suggère que, bien que les outils automatisés soient prêts à aider à compter combien de poissons se trouvent dans une zone, s'appuyer sur eux pour trier les types de poissons spécifiques dans une nouvelle région nécessite un développement supplémentaire. Ce travail établit une nouvelle norme pour mesurer les progrès dans ce domaine, offrant une base pour la construction d'outils plus robustes qui pourront éventuellement soutenir la surveillance à grande échelle de la biodiversité des récifs coralliens dans l'Océan Indien occidental.