Vous êtes-vous déjà demandé comment les animaux sauvages se comportent quand personne ne les regarde ? Comprendre ces comportements est essentiel à la protection des écosystèmes, d’autant plus que le changement climatique et l’urbanisation modifient les habitats naturels. Mais recueillir ce genre d’informations sans interférer avec les animaux a toujours été délicat.
Auparavant, les chercheuses et chercheurs s’appuyaient sur l’observation directe ou sur des capteurs attachés aux animaux – des méthodes perturbatrices ou de portée limitée. Les pièges photographiques offrent une alternative moins invasive, mais ils génèrent de grandes quantités d’images difficiles à analyser.
L’IA pourrait se révéler utile, mais il y a un problème : elle a besoin d’ensembles de données annotés pour apprendre. Or la plupart des ensembles de données vidéos actuels proviennent d’internet, ne représentant que rarement d’authentiques données de terrain, ou sont des enregistrements de terrain à petite échelle manquant de détails. Et peu d’entre eux intègrent d’autres informations contextuelles nécessaires pour vraiment comprendre le comportement complexe des animaux.
Présentation de MammAlps
Pour relever ce défi, des scientifiques de l’EPFL, en collaboration avec le Parc national suisse, ont collecté et organisé le premier ensemble de données multimodales, multivues et richement annoté sur le comportement de la faune sauvage : MammAlps. Conçu pour entraîner des modèles d’IA à des tâches de reconnaissance des espèces et des comportements, MammAlps pourrait aider les chercheuses et chercheurs à mieux comprendre le comportement animal. Ces travaux pourraient accélérer les efforts de conservation, et les rendre plus abordables et plus intelligents.
MammAlps a été développé par Valentin Gabeff, doctorant à l’EPFL sous la supervision des professeurs Alexander Mathis et Devis Tuia, en collaboration avec leurs équipes de recherche respectives.
Comment MammAlps a été développé
Les chercheuses et chercheurs ont mis en place neuf pièges photographiques qui ont enregistré plus de 43 heures d’images brutes sur plusieurs semaines. L’équipe les a ensuite minutieusement traitées, en utilisant des outils d’IA pour détecter et suivre chaque animal, ce qui a permis de recueillir 8,5 heures de contenu montrant les interactions entre les animaux sauvages.
Ils ont identifié les comportements à l’aide d’une approche hiérarchique, classant chaque moment à deux niveaux d’abstraction : des activités plus abstraites, comme la recherche de nourriture ou le jeu, et des actions plus fines, comme la marche, le toilettage ou le reniflement. Cette structure permet aux modèles d’IA d’interpréter les comportements avec plus de précision en reliant des mouvements détaillés à des schémas comportementaux plus larges.
Pour fournir plus de contexte aux modèles d’IA, ils ont également enregistré des sons et capturé des « cartes de scène de référence» représentant des éléments environnementaux – sources d’eau, arbustes, rochers – ce qui permet de mieux interpréter les comportements liés à des habitats spécifiques. Ils ont annoté les conditions météorologiques et le nombre d’animaux par événement, offrant une vue d’ensemble de ce qui se passe dans chaque séquence.
« En intégrant d’autres modalités à la vidéo, nous avons montré que les modèles d’IA peuvent mieux identifier les comportements des animaux, explique Alexander Mathis. Cette approche multimodale nous donne une image beaucoup plus complète du comportement de la faune sauvage. »
Une nouvelle norme pour la surveillance de la faune
MammAlps apporte une nouvelle norme en matière de surveillance de la faune : un instantané sensoriel complet du comportement animal à travers de multiples angles, sons et contextes. Il introduit aussi un critère de « compréhension des événements à long terme », ce qui signifie que les scientifiques peuvent désormais étudier non seulement des comportements isolés à partir de courtes séquences, mais aussi des scènes écologiques plus vastes au fil du temps, comme un loup traquant un chevreuil à travers plusieurs prises de vue.
Les recherches se poursuivent. L’équipe traite actuellement les données collectées en 2024 et prévoit d’autres travaux sur le terrain en 2025. Ces relevés supplémentaires sont nécessaires pour élargir la série d’enregistrements d’espèces rares, telles que le lièvre alpin et le lynx, et sont également utiles pour développer des méthodes d’analyse temporelle du comportement de la faune sur plusieurs saisons.
La création d’un plus grand nombre d’ensembles de données comme MammAlps pourrait radicalement intensifier les efforts actuels de surveillance de la faune sauvage, ce qui permettrait d’élaborer des modèles d’IA capables d’identifier les comportements intéressants à partir de centaines d’heures de vidéo, donnant ainsi aux spécialistes de la conservation de la faune sauvage des informations exploitables en temps utile. Au fil du temps, cela pourrait faciliter le suivi de l’impact du changement climatique, de l’urbanisation ou des épidémies sur le comportement de la faune et contribuer à la protection des espèces vulnérables.
Pour obtenir plus d’informations sur MammAlps et savoir comment y accéder, consultez le site https://eceo-epfl.github.io/MammAlps/.
MammAlps a été sélectionné pour être le temps fort de la conférence de premier plan sur la vision par ordinateur IEEE/CVF Computer Vision and Pattern Recognition Conference (CVPR), qui s’est déroulée du 11 au 15 juin 2025.
Article Title
MammAlps: A multi-view video behavior monitoring dataset of wild mammals in the Swiss Alps