Dans la jungle des images, l'œil humain aide la machine

Qui l’emporterait dans un jeu de «Où est Charlie ?» dans la vraie vie ? L’humain, ou l’ordinateur ? Une étude récente suggère que lorsque la vitesse et la précision sont essentielles, une approche combinant à la fois l’intelligence humaine et celle de la machine serait gagnante. Alors que des drones sont utilisés pour surveiller toutes sortes de choses, comme les catastrophes naturelles, la pollution ou les effectifs de la faune sauvage, analyser les images en temps réel est devenu un défi extrêmement important en termes de gestion de mégadonnées, ou big data. Les chercheurs, au nombre desquels Stéphane Joost de l’EPFL, qui publient dans Big Data, présentent une nouvelle approche pour interpréter rapidement les images aériennes prises par des drones, qui combine le crowdsourcing et l’apprentissage automatique des machines.

Afin de développer et de tester leur approche, les chercheurs se sont rendus dans la réserve de faune de Kuzikus, au coeur de la Namibie. Là, ils ont observé la réserve au moyen de drones équipés de caméras afin de compter la faune résidente, parmi laquelle des autruches, des koudous, des gnous, des zèbres et des rhinocéros. Confrontés au nombre gigantesque d’images enregistrées, et à la difficulté d’obtenir de l’ordinateur qu’il distingue de manière fiable les rochers, les buissons et les animaux, les chercheurs se sont tournés vers internet. Au moyen d’une plateforme de crowdsourcing en ligne, www.micromappers.com, ils ont chargé leurs images afin qu’elles soient analysées manuellement par une armée de volontaires numériques.

La tâche confiée aux volontaires était simple. On leur a demandé de cliquer dans un stock d’images, d’identifier tous les animaux, et de les signaler sur leur écran. Selon l’auteur principal de l’étude, Stéphane Joost, la réponse fut impressionnante: «En deux jours, ils avaient examiné 98% des 26'000 images qui avaient été chargées». Ensuite, la moitié de ces images annotées ont été utilisées pour entraîner un algorithme de reconnaissance automatique d’objets, qui fut ensuite testé sur les images restantes. «Les 500 volontaires numériques ont généré un certain nombre de faux positifs, désignant des formes qui en réalité n’étaient pas des animaux. Malgré cela, leur analyse était suffisamment bonne pour servir de donnée d’apprentissage pour l’algorithme de l’ordinateur», explique Joost.

Une aide essentielle après des catastrophes
L’intelligence artificielle est déjà devenue un pilier des opérations de réponse aux catastrophes, car elle est d’emblée mise à contribution pour rechercher des tweets et des textos dans ce qui peut constituer une information vitale. «Twitter peut exploser avec des dizaines de milliers de tweets envoyés à la minute depuis une zone sinistrée. Pour des humains, il faudrait des jours pour trier les informations pertinente et non-pertinentes», dit Joost. «Aujourd’hui, le défi a été relevé et les tweets peuvent être analysés rapidement en combinant les intelligences humaine et artificielle. Notre défi était de transposer cette solution à l’analyse de données d’images.»

Du haut des airs, les drones équipés de caméras à haute résolution offrent aux sauveteurs un point de vue inestimable, d’où ils peuvent localiser les bâtiments endommagés, les routes coupées et d’autres éléments importants. Et heureusement, pouvoir automatiquement repérer et identifier des animaux dans la savane est vraisemblablement bien plus difficile que de situer des infrastructures détruites par une catastrophe. Après l’aboutissement de l’étude pilote en Namibie, le nouvel outil a été mis en oeuvre pour sa première mission sérieuse: il a été adopté par la Banque Mondiale pour accélérer l’évaluation des dommages et des besoins à la suite du cyclone tropical Pam, qui a frappé Vanuatu en 2015.

Une liste exceptionnelle d’auteurs
«Il est intéressant de souligner que trois des co-auteurs de l’étude étaient, à ce moment-là, étudiants en ingénierie de l’environnement», dit Joost. Il est très rare pour des étudiants de devenir co-auteurs d’articles de recherche scientifique. «Nicolas Rey, Julien Briant et Pauline Millet suivaient un cours en imagerie du territoire à l’EPFL, où ils ont développé quelques-uns des algorithmes de détection utilisés dans ce projet.»

L’étude a été réalisée par des chercheurs de l’EPFL, le Quatar Computing Research Institue, la Réserve de faune de Kuzikus en Namibie, et l’Université de Zurich, en collaboration avec Drone Adventures.