WildFin : un dataset IA pour analyser les poissons
Une équipe de chercheurs du Cornell University a présenté WildFin, un jeu de données dédié à la reconnaissance des comportements des poissons en milieu naturel. Portée par la doctorante Abigail Grassick et les professeurs Andrew Hein et Jennifer Sun, l'initiative vise à combler un déficit majeur de la vision par ordinateur : le manque de vidéos scientifiques et sauvages dans les données d'entraînement des modèles actuels. WildFin rassemble neuf heures de séquences vidéo annotées image par image, collectées sur les récifs de Curaçao. Cette tâche exigeante a nécessité environ 1 400 heures de travail sur le terrain et 600 heures d'annotation par l'équipe et des étudiants. Les chercheurs ont catalogué des actions précises comme l'alimentation, la nage ou la fuite face à un prédateur, en incluant également des séquences de suivi par plongeurs, similaires aux vidéos de science participative. Présenté début septembre à la conférence European Conference on Computer Vision à Malmö, ce travail révèle que les algorithmes de vision par ordinateur, habituellement entraînés sur des contenus internet grand public, échouent systématiquement à suivre ou identifier les poissons sauvages. Les tests menés avec WildFin confirment cette limite, les modèles peinant avec la densité des bancs de poissons, les variations de luminosité et les mouvements de caméra propres aux milieux océaniques. Si les performances actuelles restent insuffisantes, ce jeu de données constitue une base de référence indispensable pour le développement de futurs algorithmes mieux adaptés. L'ambition est de transformer l'écologie numérique en permettant l'exploitation massive de vidéos issues de la science participative. Ces archives, aujourd'hui stockées sans exploitation, pourraient à terme servir à surveiller la santé des écosystèmes et à recenser les espèces rares avec une efficacité bien supérieure aux méthodes traditionnelles. Les chercheurs soulignent que cette avancée nécessite une collaboration interdisciplinaire durable. L'intégration de statisticiens, d'experts en apprentissage automatique et de biologistes est cruciale pour automatiser le traitement de ces vidéos et les convertir en données exploitables. Réussir cette transition permettrait de réduire considérablement le coût et le temps des expeditions océanographiques tout en ouvrant la voie à une surveillance environnementale plus précise, plus rapide et accessible à l'ensemble de la communauté scientifique.
