Intelligence artificielle appliquée à la ...
Document type :
Thèse
Title :
Intelligence artificielle appliquée à la détermination des radiolaires fossiles ; implications taxonomiques, biostratigraphiques et évolutives
English title :
Artificial Intelligence in Radiolarian Fossil Identification; Taxonomic, Biostratigraphic and Evolutionary implications
Author(s) :
Carlsson, Veronica [Auteur]
Évolution, Écologie et Paléontologie (Evo-Eco-Paleo) - UMR 8198 [Evo-Eco-Paléo (EEP)]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Évolution, Écologie et Paléontologie (Evo-Eco-Paleo) - UMR 8198 [Evo-Eco-Paléo (EEP)]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Thesis director(s) :
Taniel Danelian
Pierre Boulet
Pierre Boulet
Defence date :
2023-12-08
Jury president :
Fabrice Cordey [Rapporteur]
Thibault de Gardiel-Thoron [Rapporteur]
François Danneville
Allison Hsiang
Rie Hori
Catherine Crônier
Thibault de Gardiel-Thoron [Rapporteur]
François Danneville
Allison Hsiang
Rie Hori
Catherine Crônier
Jury member(s) :
Fabrice Cordey [Rapporteur]
Thibault de Gardiel-Thoron [Rapporteur]
François Danneville
Allison Hsiang
Rie Hori
Catherine Crônier
Thibault de Gardiel-Thoron [Rapporteur]
François Danneville
Allison Hsiang
Rie Hori
Catherine Crônier
Accredited body :
Université de Lille
Doctoral school :
Sciences de la Matière du Rayonnement et de l'Environnement
Keyword(s) :
Intelligence artificielle
radiolaires
réseaux de neurones
Éocène moyen
CNN
SNN
biostratigraphie
radiolaires
réseaux de neurones
Éocène moyen
CNN
SNN
biostratigraphie
English keyword(s) :
Artificial Intelligence
Radiolaria
Neural Networks
middle Eocene
CNN
SNN
biostratigraphy
Radiolaria
Neural Networks
middle Eocene
CNN
SNN
biostratigraphy
HAL domain(s) :
Planète et Univers [physics]/Sciences de la Terre/Paléontologie
Informatique [cs]/Intelligence artificielle [cs.AI]
Informatique [cs]/Traitement des images [eess.IV]
Sciences du Vivant [q-bio]/Biodiversité/Systématique, phylogénie et taxonomie
Informatique [cs]/Intelligence artificielle [cs.AI]
Informatique [cs]/Traitement des images [eess.IV]
Sciences du Vivant [q-bio]/Biodiversité/Systématique, phylogénie et taxonomie
French abstract :
La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, ...
Show more >La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, en passant par la capacité d'étudier les changements évolutifs au sein des morphoespèces dans le temps et dans l'espace. Ce domaine est confronté à de nombreux défis, car l'analyse des microfossiles nécessite un effort humain important et une expertise taxonomique, conduisant souvent à des incohérences dans les interprétations. Ce travail se concentre sur l'application de l'utilisation de l'intelligence artificielle (IA), telle que les réseaux de neurones artificiels (ANN), pour la reconnaissance automatique d'images de radiolaires de l'Éocène moyen de l'Atlantique tropical. De grands ensembles de données ont été construits afin de former différents réseaux de neurones et nos résultats montrent que les réseaux de neurones peuvent automatiquement classer plusieurs classes différentes de radiolaires jusqu'au niveau de l'espèce, ainsi que dans de nombreux cas, être capables d'identifier des espèces étroitement apparentées et même morphotypes de transition évolutive. Il a également pu identifier correctement les radiolaires moins brisés ou flous. Il a également été appliqué avec succès à la reconnaissance automatique d’images pour un travail biostratigraphique, qui pouvait en général détecter des âges plus généraux ou des événements biologiques très précis. Ce travail inclut l'utilisation des approches classiques de réseaux de neurones pour analyser le contexte visuel, telles que les réseaux de neurones convolutifs (CNN), mais comprend également l'utilisation de réseaux de neurones à pointes (SNN), qui ne sont pas aussi couramment utilisés pour la reconnaissance automatique d'images que les CNN. Les SNN ont permis d'obtenir une précision presque égale ou égale à celle des CNN, simplement que leur utilisation est plus efficace en termes de calcul et prend moins de mémoire. Il y a également eu quelques comparaisons utilisant l'analyse morphométrique traditionnelle telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type d'interprétations. Nos recherches visent non seulement à simplifier et à accélérer le processus d'analyse, mais contribuent également à accroître la précision et la cohérence des interprétations micropaléontologiques, qui, à terme, contribueront aux études à haute résolution afin de comprendre l'histoire passée de la Terre.Show less >
Show more >La micropaléontologie ne consiste pas seulement à étudier les organismes eux-mêmes, mais plutôt à comprendre les environnements passés de la Terre, avec des applications allant de la biostratigraphie à la paléoocéanographie, en passant par la capacité d'étudier les changements évolutifs au sein des morphoespèces dans le temps et dans l'espace. Ce domaine est confronté à de nombreux défis, car l'analyse des microfossiles nécessite un effort humain important et une expertise taxonomique, conduisant souvent à des incohérences dans les interprétations. Ce travail se concentre sur l'application de l'utilisation de l'intelligence artificielle (IA), telle que les réseaux de neurones artificiels (ANN), pour la reconnaissance automatique d'images de radiolaires de l'Éocène moyen de l'Atlantique tropical. De grands ensembles de données ont été construits afin de former différents réseaux de neurones et nos résultats montrent que les réseaux de neurones peuvent automatiquement classer plusieurs classes différentes de radiolaires jusqu'au niveau de l'espèce, ainsi que dans de nombreux cas, être capables d'identifier des espèces étroitement apparentées et même morphotypes de transition évolutive. Il a également pu identifier correctement les radiolaires moins brisés ou flous. Il a également été appliqué avec succès à la reconnaissance automatique d’images pour un travail biostratigraphique, qui pouvait en général détecter des âges plus généraux ou des événements biologiques très précis. Ce travail inclut l'utilisation des approches classiques de réseaux de neurones pour analyser le contexte visuel, telles que les réseaux de neurones convolutifs (CNN), mais comprend également l'utilisation de réseaux de neurones à pointes (SNN), qui ne sont pas aussi couramment utilisés pour la reconnaissance automatique d'images que les CNN. Les SNN ont permis d'obtenir une précision presque égale ou égale à celle des CNN, simplement que leur utilisation est plus efficace en termes de calcul et prend moins de mémoire. Il y a également eu quelques comparaisons utilisant l'analyse morphométrique traditionnelle telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type d'interprétations. Nos recherches visent non seulement à simplifier et à accélérer le processus d'analyse, mais contribuent également à accroître la précision et la cohérence des interprétations micropaléontologiques, qui, à terme, contribueront aux études à haute résolution afin de comprendre l'histoire passée de la Terre.Show less >
English abstract : [en]
Micropaleontology is not only about studying the organisms themselves, rather understanding Earth's past environments, with applications ranging from biostratigraphy to paleoceanography as well as being able to study ...
Show more >Micropaleontology is not only about studying the organisms themselves, rather understanding Earth's past environments, with applications ranging from biostratigraphy to paleoceanography as well as being able to study evolutionary changes within morphospecies in time and space. This field is facing numerous of challenges, since the analysis of microfossils demands significant human effort and taxonomic expertise, often leading to inconsistencies in interpretations. This work focuses on the application of using Artificial Intelligence (AI), such as Artificial Neural Networks (ANNs), for automatic image recognition of tropical Atlantic middle Eocene radiolarians. Large datasets have been constructed, in order to train different neural networks and our results shows that the neural networks can automatically classify several different classes of radiolarians down to a species level, as well as in many cases being able to identify closely related species and even evolutionary transition morphotypes. It has also been able to correctly identify less broken or blurry radiolarians. It was also successfully applied to automatic image recognition for a biostratigraphic work, which in general could detect more general ages or highly precise bio events. This work includes the use of the classical neural network approaches for analysing visual context such as Convolutional Neural Networks (CNNs) but also includes the use of Spiking Neural Networks (SNNs), which is not as commonly used for automatic image recognition, as CNNs. SNNs resulted in almost or equal amount of accuracy obtained as for CNNs, just that the use is more computational efficient and takes up less memory. There have also been some comparisons using traditional morphometric analysis such Linear Discrimination Analysis (LDA), giving approximately same kind of interpretations. Our research not only aims to simplify and speed up the analysis process but also helps in increasing the accuracy and consistency of micropaleontological interpretations, which eventually, will contribute to the high-resolution studies in order to understand Earth's past history.Show less >
Show more >Micropaleontology is not only about studying the organisms themselves, rather understanding Earth's past environments, with applications ranging from biostratigraphy to paleoceanography as well as being able to study evolutionary changes within morphospecies in time and space. This field is facing numerous of challenges, since the analysis of microfossils demands significant human effort and taxonomic expertise, often leading to inconsistencies in interpretations. This work focuses on the application of using Artificial Intelligence (AI), such as Artificial Neural Networks (ANNs), for automatic image recognition of tropical Atlantic middle Eocene radiolarians. Large datasets have been constructed, in order to train different neural networks and our results shows that the neural networks can automatically classify several different classes of radiolarians down to a species level, as well as in many cases being able to identify closely related species and even evolutionary transition morphotypes. It has also been able to correctly identify less broken or blurry radiolarians. It was also successfully applied to automatic image recognition for a biostratigraphic work, which in general could detect more general ages or highly precise bio events. This work includes the use of the classical neural network approaches for analysing visual context such as Convolutional Neural Networks (CNNs) but also includes the use of Spiking Neural Networks (SNNs), which is not as commonly used for automatic image recognition, as CNNs. SNNs resulted in almost or equal amount of accuracy obtained as for CNNs, just that the use is more computational efficient and takes up less memory. There have also been some comparisons using traditional morphometric analysis such Linear Discrimination Analysis (LDA), giving approximately same kind of interpretations. Our research not only aims to simplify and speed up the analysis process but also helps in increasing the accuracy and consistency of micropaleontological interpretations, which eventually, will contribute to the high-resolution studies in order to understand Earth's past history.Show less >
Language :
Anglais
European Project :
Collections :
Source :
Files
- document
- Open access
- Access the document
- FINAL_thesis_Carlsson_Mars.pdf
- Open access
- Access the document