Deep Learning-Based Animal Footprint Analysis for Species Recognition and Injury Detection

Résumé technique : Analyse des empreintes animales par apprentissage profond pour la reconnaissance des espèces et la détection des blessures

Énoncé du problème
La gestion de la faune et le suivi des écosystèmes reposent largement sur la détection et le suivi des animaux blessés. Les méthodes traditionnelles impliquent une analyse manuelle des empreintes (ichnologie), qui est intrinsèquement subjective, chronophage et difficile à mettre à l'échelle en raison de la nécessité d'une expertise de terrain approfondie. De plus, les facteurs de confusion environnementaux — tels que les variations de types de substrats (par exemple, sable versus argile), les conditions d'éclairage et les empreintes incomplètes — introduisent une forte variance intra-classe, déformant la morphologie des traces. Bien que les caractéristiques morphologiques telles que la géométrie des orteils et les configurations des cous offrent une valeur diagnostique pour l'identification des espèces et la détection des blessures (par exemple, la boiterie ou les traumatismes), les systèmes automatisés actuels restent sous-utilisés dans la planification active de la conservation. Le défi central abordé est l'isolement des variations morphologiques inter-espèces et intra-espèces associées aux blessures à l'aide d'un modèle de vision profonde unique sous des conditions réelles de déséquilibre des classes.

Méthodologie
L'étude propose un cadre d'apprentissage profond unifié pour classifier conjointement les espèces animales et détecter les anomalies structurelles liées aux blessures à partir d'images de traces statiques.

• Jeu de données : Un jeu de données personnalisé de 1 217 images a été compilé, fusionnant le jeu de données « Footprint-Animals » de Kaggle (traces normales) et le répertoire Roboflow Universe (traces blessées). Il couvre six espèces : l'ours, le raton laveur, le castor, le lion, l'éléphant et le coyote. Les données présentent un déséquilibre de classe significatif, avec 1 014 échantillons normaux et 203 échantillons blessés. Les images ont été redimensionnées en 224×224 pixels et standardisées à l'aide des vecteurs de moyenne et d'écart-type d'ImageNet.
• Formulation de la tâche : La tâche principale est formulée comme un problème de classification à grain fin de 12 classes, où chaque étiquette représente une combinaison unique d'identité de l'espèce et d'état de santé (par exemple, « Ours-Normal », « Ours-Blessé »). Une tâche binaire secondaire simplifiée (Normal vs Blessé) a également été évaluée pour découpler les caractéristiques taxonomiques de la détection des blessures.
• Architectures : Cinq architectures de réseaux de neurones convolutifs (CNN) ont été testées : ResNet-50, EfficientNet-B0, EfficientNet-B3, MobileNet-V3 et ConvNeXt-V1 Tiny. Les modèles ont été initialisés avec les poids ImageNet et affinés à l'aide de PyTorch.
• Optimisation : L'entraînement a utilisé l'optimiseur AdamW avec une politique de taux d'apprentissage OneCycle. Pour traiter l'asymétrie des classes, les modèles de base ont utilisé une perte d'entropie croisée pondérée. Une expérience secondaire a employé la perte Focal (Focal Loss) pour supprimer les gradients provenant des classes majoritaires. L'augmentation des données (basculements, rotations, luminosité/contraste) a été appliquée strictement au groupe d'entraînement.
• Interprétabilité : La cartographie d'activation de classe pondérée par le gradient (Grad-CAM) a été utilisée pour vérifier que les modèles se concentraient sur les caractéristiques morphologiques pertinentes (par exemple, les amas de cous, l'espacement des orteils) plutôt que sur le bruit de fond.

Résultats clés

• Performance multi-classe : ConvNeXt-V1 Tiny a obtenu la meilleure performance dans le cadre des 12 classes, atteignant une précision globale de 78,91 % et un score F1 macro de 68 %. Il a démontré une sensibilité supérieure aux classes minoritaires (par exemple, 75 % de rappel pour les ours blessés) par rapport aux autres modèles.
• Comparaison des modèles : EfficientNet-B0 a atteint 75,00 % de précision mais a souffert d'un faible score F1 macro (55 %) dû à un biais systémique envers les classes « normales » majoritaires, entraînant un rappel de 0 % pour certaines cohortes blessées. EfficientNet-B3 a été moins performant (63,28 % de précision) en raison d'une sur-paramétrage et d'une instabilité de l'entraînement.
• Impact de la fonction de perte : L'implémentation de la perte Focal a amélioré la convergence précoce pour les classes minoritaires mais a légèrement réduit la précision globale de test à 71,88 %, suggérant que bien qu'elle équilibre les gradients, la taille du jeu de données et les similitudes morphologiques limitent la généralisabilité globale.
• Classification binaire : La reformulation de la tâche en une classification binaire (Normal vs Blessé) a produit une précision de pointe de 96,88 % en utilisant ConvNeXt-V1. Ce modèle a atteint une précision de 100 % sur les bases normales et a maintenu une précision supérieure à 91,3 % sur les configurations blessées.
• Interprétabilité : L'analyse Grad-CAM a confirmé que les modèles les plus performants (ConvNeXt-V1) localisaient précisément l'attention sur les caractéristiques anatomiques diagnostiques (amas de cous, empreintes de griffes), tandis que les modèles moins performants présentaient une activation diffuse sur les substrats de fond.

Signification et affirmations
L'article affirme valider un paradigme d'apprentissage profond unifié capable de surveillance non invasive de la faune sans manipulation animale. Sa principale importance réside dans la démonstration que :

1. Les architectures modernes comptent : Les architectures à noyau macro, comme ConvNeXt, sont mieux adaptées que les modèles traditionnels ou légers pour capturer le contexte spatial large requis pour différencier les subtiles variations intra-classes des empreintes.
2. Compromis de complexité de la tâche : Si les modèles à 12 classes à grain fin fournissent des détails diagnostiques complets, les modèles d'abstraction binaire offrent une fiabilité nettement plus élevée (96,88 % de précision). Les auteurs suggèrent que le découplage de la détection des blessures de la discrimination des espèces élimine le goulot d'étranglement des représentations de caractéristiques chevauchantes.
3. Déploiement pratique : L'étude propose que les modèles binaires offrent une voie plus pratique pour le déploiement automatisé sur le terrain, tel que des systèmes d'alerte près des points d'eau ou des réseaux de pièges photographiques, où l'identification de la présence d'une blessure est la priorité par rapport à l'identification spécifique de l'espèce.

Les auteurs concluent que, bien que les déséquilibres de classes et la variabilité des substrats restent des défis, cette approche minimise la subjectivité traditionnelle du suivi et fournit une alternative évolutive et automatisée pour la surveillance écologique. Des travaux futurs sont proposés pour étendre les catégories taxonomiques et intégrer des entrées temporelles multi-images afin de résoudre les trajectoires de démarche complètes.