Mots-Clés

intelligence artificielle biologie évolutive autoencodeurs sparsité.

Description

Stage M2 - Apport des autoencodeurs pour mesurer la ressemblance entre motifs visuels (IA, écologie, évolution - CNRS Montpellier)

Personne proposant le stage : Julien RENOULT, Chargé de Recherche CNRS, Biologiste de l’évolution, sciences cognitives, IA appliquée à la biologie

Adresse Professionnelle : CNRS-CEFE, 1919 route de Mende 34293 MONTPELLIER

Numéro de téléphone : 04.67.61.32.10

Adresse électronique : julien.renoult@cefe.cnrs.fr

Entreprise/Unité d’appartenance: CNRS - Centre d’Ecologie Fonctionnelle et Evolutive CEFE-UMR5175.

Mots clés: intelligence artificielle, biologie évolutive, autoencodeurs, sparsité.

Description du sujet :

La ressemblance entre motifs visuels est une composante importante de la communication entre les animaux, par exemple dans le cas du mimétisme ou du camouflage. Des travaux récents de psychologie ont également montré que des signaux de communication qui imitaient certaines propriétés visuelles des habitats naturels avaient tendance à être jugés attractifs. Par exemple, en comparant l’invariance à l’échelle des motifs colorés du corps de plusieurs espèces de poissons vivant dans des rivières américaines avec l’invariance à l’échelle de leurs habitats respectifs, nous avons récemment montré une corrélation positive pour les mâles en période de reproduction, mais pas pour les femelles.

L’objectif de ce stage est d’étudier, au-delà du cas particulier de l’invariance à l’échelle, la ressemblance entre les motifs visuels des signaux de communication et ceux des habitats naturels à l’aide d’autoencodeurs (AE). En entraînant des AE à reconstruire des images d’habitats (un AE par type d’habitat), nous faisons l’hypothèse que les images des poissons mâles (mais pas des femelles) d’une espèce donnée seront encodées le plus efficacement (e.g., sparsité du code neuronal élevée) et le mieux reconstruites (erreurs de reconstruction plus faible) par les AE entraînés à reconstruire les images de l’habitat dans lequel vit cette espèce.

L’étudiant.e testera cette hypothèse en étudiant différentes architectures d’autoencodeurs (e.g., AE convolutifs classiques, Variational Auto Encodeurs) et différentes fonctions de coût (e.g., avec ou sans régularisation de la sparsité lors de l’apprentissage). Il.elle pourra également tester l’utilité de la méthode dans d’autres contextes que la sélection sexuelle (e.g., camouflage).

L’étudiant.e devra avoir un bon niveau de programmation en Python, des connaissances de base en IA et intérêt pour la biologie. Elle/il sera immergée dans l’équipe E3CO qui compte plusieurs étudiant.e.s (Master, Doctorant.e.s) en IA appliquée à la biologie. Il/elle aura accès à un calculateur équipé de cartes GPU.

Lieu du stage : équipe E3CO, Centre d’Ecologie Fonctionnelle et Evolutive (CEFE), Montpellier.

Date et durée du stage : ajustable selon des exigences du parcours.

Gratification : tarif forfaitaire universitaire (environ 590 €/mois)

Quelques références liées au sujet (* publications de l’équipe): *Hulse, S. V., Renoult, J. P., & Mendelson, T. C. (2020). Sexual signaling pattern correlates with habitat pattern in visually ornamented fishes. Nature communications, 11(1), 1-8 *Hulse, S, Renoult, J. P., Mendelson, T. M. Using deep neural networks to model similarity between visual patterns: application to fish sexual signals, in press. *Renoult, J. P., Bovet, J. & Raymond, M. Beauty is in the efficient coding of the perceiver. Royal Society Open Science DOI: 10.1098/rsos.160027, (2016). *Renoult, J. P. & Mendelson, T. C. Processing bias: extending sensory drive to include efficacy and efficiency in information processing. Proceedings of the Royal Society B: Biological Sciences 286, 20190165 (2019). Redies, C., Hänisch, J., Blickhan, M., & Denzler, J. (2007). Artists portray human faces with the Fourier statistics of complex natural scenes. Network: Computation in Neural Systems, 18(3), 235-248.

Quelques autres travaux en IA de l’équipe : *de Solan, T., Renoult, J. P., Geniez, P., David, P. & Crochet, P. A. Looking for mimicry in a snake assemblage using deep learning. The American Naturalist 196, 000–000 (2020). *Ferreira, A. C. et al. Deep learning-based methods for individual recognition in small birds. Methods in Ecology and Evolution, 11, 1072-1085 (2020). *Charpentier, M. J. E. […] Renoult J.P. Same father, same face: deep-learning reveals natural selection for paternally-derived signaling of kinship in a wild primate. Science Advances 6, eaba3274 (2020).