Apprentissage profond et bioacoustique marine pour la détection de poissons

Abstract

La recherche sur l’environnement est un sujet qui n’a jamais été plus pertinent qu’aujourd’hui. L’effet de l’industrialisation sur les écosystèmes de la terre n’était pas initialement bien connu et la conservation de ces écosystèmes est maintenant d’importance critique, À cette fin, il est important de considérer les technologies qui peuvent être utilisées afin de pouvoir suivre l’état des écosystèmes. Puisque tout changement dans la migration d’espèces est un facteur qui peut nous informer des changements dans un écosystème, la détection automatique d’espèces serait un grand atout pour la conservation d’écosystèmes. L’objectif de notre travail est le développement d’un système de détection d’espèces de poissons par le son, plus spécifiquement pour le corb, une espèce de poisson sonifère. À cet effet, nous présentons premièrement une méthode d’apprentissage profond qui utilise des données sous forme de spectrogrammes. Nous présentons deuxièmement une analyse de l’effet de la variation de la taille de fenêtre FFT utilisée pour des spectrogrammes sur la performance de modèles. Cette thèse présente aussi une revue de littérature qui détaille les méthodes d’apprentissage machine utilisées dans le contexte de l’analyse de signaux acoustiques de l’écologie marine ou bioacoustique marine. Mots-clés : Reconnaissance de poissons; Apprentissage profond; Réseaux neuronaux convolutifs; Conservation environnementale; Classification d’audio; Spectrogrammes.