Cette IA issue de l’EPFL reconnaît les ours bruns malgré leurs variations saisonnières

Des chercheurs de l’École polytechnique fédérale de Lausanne (EPFL) et de l’Alaska Pacific University ont développé une intelligence artificielle capable d’identifier individuellement des ours bruns en milieu naturel. Baptisé PoseSwin, ce système vise à améliorer le suivi scientifique, la gestion et la conservation de l’espèce.

L’identification individuelle des animaux constitue un enjeu central pour l’étude des populations sauvages. Chez l’ours brun, la tâche est particulièrement complexe, car son apparence évolue fortement au fil des saisons. Entre la sortie d’hibernation et la fin de l’été, les animaux perdent leur pelage hivernal, prennent du poids et modifient leur posture, ce qui complique l’identification visuelle, y compris pour les systèmes automatisés. Pour y répondre, PoseSwin combine l’analyse du visage et de la posture afin de reconnaître les individus dans la durée.

Un jeu de données unique en milieu naturel

Le travail s’appuie sur un jeu de données constitué dans la réserve de la McNeil River, en Alaska, qui accueille la plus forte concentration saisonnière d’ours bruns au monde. Entre 2017 et 2022, plus de 72’000 images de 109 individus ont été collectées par Beth Rosenberg, chercheuse à l’Alaska Pacific University. Les photos couvrent une grande diversité de situations, de comportements et de conditions environnementales.

Contrairement aux approches reposant uniquement sur la silhouette, fortement affectée par la prise de poids saisonnière, les chercheurs ont identifié des caractéristiques jugées plus stables: la forme du museau, l’angle du front, la position des oreilles, certaines cicatrices, ainsi que la posture générale de l’animal. Le système prend également en compte l’orientation des images, ce qui permet d’exploiter des photos où le visage n’est pas parfaitement visible. Selon Alexander Mathis, professeur à l’EPFL, la combinaison de traits du visage et de la posture s’est révélée plus fiable que l’analyse du corps seul pour distinguer les individus.

Une architecture inspirée des modèles de langage

PoseSwin repose sur une architecture de type transformer, similaire dans ses principes à celles utilisées pour les grands modèles de langage (LLM), mais adaptée à l’analyse d’images. Le modèle est entraîné via une méthode d’apprentissage métrique. L’algorithme compare des groupes de trois images: deux représentant le même ours à des moments différents et une troisième appartenant à un autre individu. Cette approche lui permet d’apprendre à rapprocher les images d’un même animal et à éloigner celles d’ours distincts dans un espace mathématique.

Cette méthode permet non seulement d’identifier des individus déjà observés, mais aussi de signaler l’apparition de nouveaux ours, un point clé pour le suivi de populations évoluant en milieu ouvert.

Validation sur le terrain et ouverture à d’autres espèces

Les chercheurs ont également testé le système sur des images issues du parc national de Katmai, situé à plus de 60 kilomètres du site initial. Plusieurs individus ont pu être reconnus, mettant en évidence des déplacements saisonniers entre différentes régions.

Les auteurs indiquent que les algorithmes et les données utilisées ont été mis à disposition en open source afin de permettre leur réutilisation par d’autres équipes. À terme, l’objectif est de faciliter le suivi automatisé des populations animales et d’étendre cette approche à d’autres espèces. Si l’ours brun représente un cas particulièrement complexe en raison de ses fortes variations morphologiques, les chercheurs estiment que la méthode pourrait être transposée à des animaux présentant des transformations moins marquées au fil du temps.

L’actualité IT en Suisse et à l’international, avec un focus sur la Suisse romande, directement dans votre boîte mail > Inscrivez-vous à la newsletter d’ICTjournal, envoyée du lundi au vendredi!