Le Bureau des Études Doctorales a le plaisir de vous informer que
Monsieur Paul BEST
Doctorant au laboratoire LIS rattaché à l’École Doctorale 548 « Mer & Sciences » (France)
soutiendra sa thèse en vue de l’obtention du Grade de Docteur
sous la direction de
M. Hervé GLOTIN, Professeur des Université, Université de Toulonde thèse
Discipline : Informatique
Spécialité : Bioacoustique
sur le thème
Détection et classification automatique de signaux de cétacés
Vendredi 30 septembre 2022 à 16h00
A l’Université de Toulon – Campus La Garde, Amphi du bâtiment X
devant un jury composé de
Mme Marie ROCH, Professeur des Universités, Université d’état de San Diego (USA), Rapporteure
M. Dan STOWELL, Maitre de conférences-HDR, Tilburg School of Humanities and Digital Sciences (Hollande), Rapporteur
M. Luke RENDELL, Maitre de conférences-HDR, St Andrews University (UK), Examinateur
Mme Julie OSWALD, Professeure associée, Scottish Oceans Institute, Scotland (UK), Examinatrice
M. Samy BENGIO, Directeur de Recherche, Apple Machine Learning (USA), Examinateur
Mme Odile GÉRARD, Directrice de Recherche, Direction Générale de l’Armement, Examinatrice
M. Jan SCHLUTER, Docteur, Johannes Kepler University Institute of Computational Perception (Autriche) Examinateur
M. Hervé GLOTIN, Professeur des Universités, Université de Toulon (France), Directeur de thèse
M. Ricard MARXER, Maitre de conférences-HDR, Université de Toulon (France), Co-encadrant invité
M. Sébastien PARIS, Maitre de conférences, Université de Toulon (France), Co-encadrant invité
Résumé :
Les cétacés font un usage important de l’acoustique pour socialiser, se déplacer et chasser. De ce fait, leur suivi par l’acoustique passive permet d’accroître nos connaissances sur ces espèces dont certaines sont en voie de disparition. Cette approche génère de grandes quantités de données qui motive le développement de procédures automatiques pour les traiter. Les réseaux neuronaux représentent une opportunité pour cette tâche, ayant déjà démontré de grandes performances pour la classification d’image ou encore la reconnaissance de parole. Les travaux de cette thèse sont articulés en trois parties : l’annotation de données, l’entraînement de réseaux neuronaux, et la mise en application des modèles résultants. Différentes méthodes sont d’abord proposées pour accélérer le processus d’annotation en fonction du type de signal cible et des données disponibles. Ces travaux ont permis de constituer des bases d’entraînement pour la détection de 5 types de signaux (cliques de cachalots, Physeter macrocephalus,impulsions 20Hz de rorqual communs, Balaenoptera physalus, vocalises d’orques, Orcinus orca, vocalises de delphinidés, et appels de baleines à bosse, Megaptera novaeangliae). Les différents modèles résultants ont d’abord permis le développement d’un système embarqué d’alerte temps réel pour la réduction de risques de collision avec les ferrys. Ensuite, l’analyse des bases de données long terme a montré des phénomènes de présence de cachalots en fonction du bruit anthropique, et révélé la structure de chant du rorqual commun méditerranéen avec une évolution sur 20 ans. Enfin, une modélisation du système de communication des orques de Colombie Britannique a été effectuée grâce aux modèles de détection et de classification de vocalises.
Mots clés : Cétacés, bioacoustique, réseaux de neurones
Automatic detection and classification of cetacean acoustic signals
Cetaceans make an important use of acoustics to socialise, move and hunt. Therefore, their monitoring by passive acoustics allows us to increase our knowledge on these species, some of which are endangered. This approach generates large amounts of data which motivates the development of automatic procedures. Neural networks represent an opportunity for this task, having already shown great performances for image classification or speech recognition. The work of this thesis is in three folds: data annotation, neural network training, and model application. Different methods are first proposed to speed up the annotation process depending on the type of target signal and the available data. This work allowed to build training databases for the detection of 5 types of signals (sperm whale clicks, Physeter macrocephalus, fin whale 20Hz pulses, Balaenoptera physalus, killer whale vocalisations, Orcinus orca, delphinid vocalizations, and humpback whale calls, Megaptera novaeangliae). The resulting models have first allowed the development of an embedded real time alert system for the reduction of collision risks with ferries. Then, the analysis of long-term data showed sperm whale presence patterns in relation to anthropogenic noise, and revealed the song structure of the Mediterranean fin whale with an evolution over 20 years. Finally, a modelling of the orcas-communication system in British Columbia was carried out using vocalisation detection and classification models.
Keywords: Cetacean, bioacoustics, neural networks
