Modèles d'apprentissage profond

Les modèles d’apprentissage profond, issus du domaine de l’intelligence artificielle, sont développés en trois phases :

1. une phase d’apprentissage lors de laquelle les modèles “apprenent” à partir d’images initialement annotées (dans notre cas, des images dans lesquelles l’espèce est identifiée)
2. une phase de prédiction lors de laquelle les modèles “prédisent” (dans notre cas, la présence d’un animal et le cas échéant, le taxon présent) sur de nouvelles images
3. une phase d’évaluation lors de laquelle les modèles sont testés sur des images très différentes de celles de la phase d’apprentissage.

Ces modèles requièrent une grande quantité de données initiales pendant la phase d’apprentissage.

Pour reconnaître des animaux sur des images, un modèle d’apprentissage profond requiert il faut avant tout des données, et ce, en très grande quantité. En effet, De plus, ces modèles ne présentent que de faibles taux de performances sur les images “vides” (image sans animal) qui représentent pourtant la majeure part des données brutes à trier (50-90% en moyenne) et donc de l’effort à fournir. Pour l’heure, il n’existe aucune base de données aggrégeant les images