Étudier le comportement des bonobos grâce à l'analyse vidéo

Ce projet se concentre sur la recherche et l'identification des bonobos, qui sont une espèce de grands singes, en utilisant des vidéos enregistrées dans un zoo. L'objectif principal est de créer un moyen d'étudier comment les bonobos se comportent lorsqu'ils interagissent avec des écrans tactiles, sans l'aide des humains. Cette approche utilise la technologie moderne pour aider les chercheurs à mieux comprendre le comportement des bonobos.

#Création d'un jeu de données sur les bonobos

Pour commencer, un jeu de données spécial a été créé en enregistrant des vidéos de bonobos au Zoo Berlin. Les vidéos ont été filmées avec deux types de caméras : un caméscope numérique et une webcam basique. Les enregistrements ont été réalisés en résolution 1280x720 pixels et 30 images par seconde. Le caméscope était manipulé par des chercheurs qui connaissaient bien les bonobos, tandis que la webcam était fixée sur un dispositif appelé ZACI.

Lors de l'enregistrement, les chercheurs visaient à capturer des bonobos individuels et leurs actions. Cependant, parfois plusieurs bonobos apparaissaient dans les vidéos, ou ils étaient cachés de la vue de la caméra. Le jeu de données était construit autour des différents bonobos présents durant ces enregistrements, et il était composé de divers clips mettant en vedette six bonobos de différents âges et sexes.

#Détection des bonobos

Pour identifier les bonobos dans les vidéos, un outil spécialisé d'OpenMMLab a été utilisé. Cet outil a été entraîné pour détecter des macaques, qui sont un autre type de primate, mais il s'est aussi avéré efficace pour identifier les bonobos. Le modèle a généré des informations sur l'emplacement des bonobos dans chaque image vidéo. Si plusieurs bonobos étaient détectés, seul celui avec le meilleur score de confiance était choisi pour une analyse plus approfondie.

#Division du jeu de données

Après avoir détecté les bonobos dans les vidéos, l'étape suivante était de diviser le jeu de données en différentes parties pour entraîner et tester les Méthodes de classification. Cela a été fait de deux manières :

1. Basé sur la détection : Des Jeux de données ont été créés soit en incluant les régions détectées d'intérêt (ROI), soit en les excluant, et en les divisant davantage selon les scores de détection.

2. Basé sur les vidéos par individu : Le jeu de données a également été divisé en trois groupes : entraînement, validation et test. Cette séparation a permis de s'assurer que des images similaires n'étaient pas utilisées dans différents ensembles, ce qui a permis une évaluation plus précise des méthodes de classification.

#Méthodes de classification

Le projet visait à comparer différentes méthodes de classification des bonobos. Il y avait deux approches principales :

1. Classificateurs d'apprentissage machine : Plusieurs méthodes d'apprentissage machine traditionnelles ont été utilisées, y compris la Régression Logistique, l'Analyse Discriminante Linéaire, les Machines à Vecteurs de Support, et plus encore. Ces méthodes reposaient sur diverses caractéristiques extraites des images, comme des informations sur la texture et la couleur.

2. Classificateurs d'apprentissage profond : Une méthode plus avancée impliquait l'utilisation d'un modèle d'apprentissage profond pré-entraîné connu sous le nom de ResNet. Ce modèle a été testé de deux manières : d'abord en tant qu'extracteur de caractéristiques, où seule la dernière couche du modèle a été réentraînée ; et ensuite, avec toutes les couches entraînées pour améliorer l'exactitude.

#Résultats de l'étude

Après avoir appliqué différentes méthodes de classification, quelques schémas clés ont émergé :

#Résultats de détection

Les résultats de détection étaient limités puisque la méthode utilisée reposait sur un modèle pré-entraîné qui n'avait pas été spécifiquement ajusté pour les bonobos. Bien que certains bonobos aient été correctement identifiés dans des séquences stables, d'autres, comme Matayo, ont été mal identifiés en raison de faibles scores de confiance.

#Résultats de classification

Lors de la phase de validation croisée, les premiers résultats ont montré une précision presque parfaite, surtout en utilisant le classificateur Random Forest. Cependant, à mesure que la classification passait aux ensembles de validation et de test, la performance chutait. Cette chute était probablement due à la forte similarité des données lors de l'évaluation initiale, soulignant la nécessité d'une séparation appropriée des données.

Les meilleurs résultats provenaient du modèle ResNet qui avait été affiné. Ce modèle a atteint une précision notable de 75% lors de l'évaluation des bonobos. Toutefois, les modèles avaient du mal avec certains individus qui avaient moins d'échantillons dans le jeu de données, ce qui les rendait plus difficiles à classifier correctement.

#Défis et observations

L'un des principaux défis rencontrés était le déséquilibre dans le jeu de données. Certains bonobos apparaissaient plus fréquemment dans les enregistrements, ce qui entraînait une meilleure précision de classification pour ces individus. À l'inverse, les individus moins fréquents étaient souvent mal classés.

L'équipe a également remarqué que l'utilisation de parties spécifiques du bonobo, comme leur dos ou leurs membres, au lieu de leur visage, pouvait rendre la tâche de classification plus difficile. Cette réalisation indique qu'il est nécessaire de considérer le corps entier ou les mouvements temporels d'un bonobo dans de futures études.

#Conclusion et orientations futures

Cette étude a réussi à décrire un flux de travail pour générer des jeux de données visant la détection et la classification des bonobos. Les résultats ont souligné l'importance de séparer correctement les données pour obtenir des indicateurs de performance réels. Bien que les méthodes d'apprentissage profond comme ResNet aient montré des avantages clairs par rapport aux approches traditionnelles, des défis demeurent dans la classification précise de chaque bonobo individuel en raison des limitations des données.

Pour l'avenir, il y a des projets de raffiner davantage le jeu de données en annotant les vidéos manuellement. Cela permettra une meilleure évaluation des méthodes de détection et améliorera la qualité des résultats de classification. L'équipe de recherche envisage également d'explorer des techniques de classification supplémentaires et de considérer l'utilisation de données vidéo temporelles pour améliorer l'analyse du comportement.

En conclusion, ce projet jette les bases pour de meilleurs outils d'étude du comportement des bonobos, ouvrant la voie à une meilleure compréhension de ces primates fascinants dans leur environnement naturel.