Cette année, Whale Seeker se rend à la MAIS 2020 ! D'accord, il ne s'agit pas d'une " visite " au sens traditionnel du terme, mais d'une présentation en ligne, mais c'est tout de même un exploit ! Chaque année, le Symposium sur l'intelligence artificielle de Montréal est organisé pour présenter les fantastiques réalisations technologiques, les progrès et les nouvelles recherches de la communauté montréalaise de l'intelligence artificielle. Lors de cet événement passionnant et instructif d'une journée, les participants universitaires et industriels sont invités à soumettre leurs travaux et à les présenter dans le cadre d'allocutions, d'exposés et d'affiches. Avec du temps supplémentaire alloué au réseautage et à la socialisation, le symposium cherche à établir des liens solides entre les chercheurs de la région du Grand Montréal. Les travaux présentés vont de la recherche théorique de pointe sur les techniques d'apprentissage profond aux applications réelles de ces approches pour résoudre des problèmes dans différents domaines industriels. Il n'est pas rare d'y voir des poids lourds de l'IA, comme Yoshua Bengio, Doina Precup, Aaron Courville et Joëlle Pineau, accompagnés de leurs étudiants, collaborateurs et groupes de recherche pour présenter leurs travaux et dynamiser la communauté montréalaise de l'IA.
La participation au symposium est gratuite et se fera en ligne. Notre travail, intitulé "Zoom Out : Using Thumbnails for Weakly Supervised Land Detection in Whale Population Monitoring", sera présenté lors de la session de posters à la fin de la journée, mais nous vous encourageons à suivre les autres présentations pour profiter au mieux de l'événement. Le projet que nous avons présenté avait pour but d'automatiser la détection des terres et la mesure des zones afin d'accélérer et de réduire les coûts du processus de rapport dans le cadre de la surveillance des populations de baleines. Pour le poster que nous présenterons, les objectifs étaient de supprimer la nécessité de traiter les images aériennes dans leur forme actuelle, énorme, et de réduire le fardeau de la segmentation manuelle des zones de terre à fournir comme étiquettes pour l'apprentissage profond. Pour atteindre le premier objectif, comme le suggère le titre de l'affiche, nous avons "dézoomé" (c'est-à-dire redimensionné) les images aux dimensions d'une vignette et nous avons appliqué des modèles d'apprentissage profond sur ces images. Ensuite, pour le deuxième objectif, nous avons utilisé une approche d'apprentissage en profondeur appelée apprentissage "faiblement supervisé" pour tirer parti d'une étiquette globale "oui-non" indiquant si une vignette contenait des terres, par opposition à la segmentation (ou "coloriage") de la zone réelle de terres. En combinant cela avec les techniques liées à l'interprétabilité de l'apprentissage profond, à savoir les "cartes de saillance de l'attribution des pixels", nous avons pu générer une carte thermique de ce que les modèles ont regardé lorsqu'ils ont prédit si une image contenait des terres ou non. La vidéo d'accroche et le poster sont disponibles sur le site web de la MAIS, http://montrealaisymposium.com/, pour que vous puissiez y jeter un coup d'œil (rendez-vous sur la page "Programme scientifique" sous "Apprentissage supervisé") et nous espérons vous y voir !