Amélioration de la classification des arbres tropicaux à partir d’images prises par drone grâce à la fusion d’entrées multimodales

Les forêts tropicales sont de plus en plus menacées par la déforestation, les incendies et les perturbations climatiques. Afin de surveiller la biodiversité et de prévoir les tendances spécifiques à chaque espèce, les chercheurs ont commencé à utiliser des technologies aériennes sans pilote (i.e. drones) pour identifier les espèces et cartographier la forêt. Cependant, les modèles de vision par ordinateur ont du mal à classer les espèces d’arbres tropicaux à partir d’images par drone en raison du grand nombre d’espèces, de l’imagerie haute résolution limitée et de la distribution à longue traîne des données disponibles. Nous proposons de développer un modèle qui exploite différents types de données, à savoir des descriptions textuelles, le rang taxonomique et des images haute résolution telles que des images zoomées prises par drone, afin d’aider à identifier les espèces, en mettant l’accent sur l’amélioration de l’identification des espèces sous-représentées. En utilisant différents types de données, notre approche vise à relever les défis liés à l’identification des espèces lorsque les données sont rares ou que les espèces se ressemblent, et à soutenir à terme une surveillance évolutive et fiable des forêts tropicales au niveau des espèces.

Faculty Supervisor:

Etienne Laliberté

Student:

Partner:

INRIA

Discipline:

Computer science

Sector:

Forestry; Artificial Intelligence

University:

Université de Montréal

Program: