{"id":3871,"date":"2023-01-08T11:02:00","date_gmt":"2023-01-08T11:02:00","guid":{"rendered":"https:\/\/campus.hesge.ch\/blog-master-is\/?p=3871"},"modified":"2023-01-16T09:41:27","modified_gmt":"2023-01-16T09:41:27","slug":"identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet","status":"publish","type":"post","link":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/","title":{"rendered":"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet."},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

<\/p>\n

Une connaissance pr\u00e9cise de l’identit\u00e9, de la distribution g\u00e9ographique et de l’\u00e9volution des esp\u00e8ces v\u00e9g\u00e9tales est indispensable \u00e0 la pr\u00e9servation de la biodiversit\u00e9. Toutefois, l’identification taxonomique des organismes v\u00e9g\u00e9taux reste quasiment impossible pour les non-sp\u00e9cialistes et souvent difficile, m\u00eame pour les professionnels. Au cours des derni\u00e8res ann\u00e9es, des progr\u00e8s consid\u00e9rables ont \u00e9t\u00e9 r\u00e9alis\u00e9es dans la cr\u00e9ation de syst\u00e8mes automatis\u00e9s capables de reconna\u00eetre rapidement et de mani\u00e8re fiable les esp\u00e8ces v\u00e9g\u00e9tales \u00e0 partir des images.<\/p>\n

Le d\u00e9bat sur l’utilisation des syst\u00e8mes d’identification automatique des plantes a d\u00e9but\u00e9 en 2004, suite \u00e0 la publication de l\u2019article \u00ab Automated species identification: why not ?\u00bb (Gaston Gaston & O\u2019Neill, 2004). L’\u00e9tude montre que lors de l’\u00e9laboration d’un mod\u00e8le d’identification automatique, il est important de traiter de grands ensembles de donn\u00e9es de formation pour \u00e9valuer avec exactitude le taux d’erreur du mod\u00e8le. Depuis 2004, un travail consid\u00e9rable a \u00e9t\u00e9 fait sur le d\u00e9veloppement d’approches automatis\u00e9es pour l’identification des esp\u00e8ces v\u00e9g\u00e9tales, principalement bas\u00e9es sur des techniques de vision par ordinateur (Huang, Dai & Lin, 2006 ; Hearn, 2009). Ce nouveau domaine scientifique utilise les techniques d’Intelligence Artificielle (IA) pour cr\u00e9er des algorithmes capables de reconna\u00eetre une image. Le but est d’entra\u00eeneur des machines \u00e0 automatiser les taches propres du syst\u00e8me visuel humain (Ballard, 1982).<\/p>\n

Les syst\u00e8mes de vision par ordinateur reposent principalement sur des m\u00e9thodes d\u2019apprentissage automatique (machine learning) et d\u2019apprentissage profond (deep learning). Les m\u00e9thodes d’apprentissage profond ont suscit\u00e9 un grand int\u00e9r\u00eat dans la communaut\u00e9 des botanistes en raison de leur bonne performance sur de grands volumes des images et de leur capacit\u00e9 \u00e0 extraire des caract\u00e9ristiques dans des donn\u00e9es non structur\u00e9es (Carranza-Rojas, J., Goeau, Bonnet, Mata-Montero, & Joly, 2017). Il faut en fait former les mod\u00e8les d’apprentissage profond \u00e0 des milliers d’images par classe pour qu’ils convergent vers des mod\u00e8les de classification pr\u00e9cis. La pratique courante consiste \u00e0 initialiser le r\u00e9seau en le formant d’abord sur un grand ensemble de donn\u00e9es disponibles, puis de l’affiner sur les donn\u00e9es sp\u00e9cifiques au domaine plus rares. \u00c0 cet effet, les algorithmes de reconnaissance les plus r\u00e9cents font appel \u00e0 des techniques de distillation de connaissance (Hinton, Vinyals, & Dean, 2015), qui permettent de transf\u00e9rer les connaissances acquises par un grand nombre de mod\u00e8les \u00e0 un petit mod\u00e8le unique.<\/p>\n

Les plus r\u00e9cents algorithmes de reconnaissance d’image sont capables d’identifier une plante parmi des milliers d’autres avec des taux de reconnaissance sup\u00e9rieurs \u00e0 85% (http:\/\/www.lifeclef.org\/). Il existe plusieurs syst\u00e8mes d’identification automatique ; l’application LeafSnap, qui figure parmi les premiers, est ax\u00e9e sur le contour des feuilles et permettre d’identifier quelques centaines d’esp\u00e8ces d’arbres en Am\u00e9rique du Nord (Kumar et al. 2012). Cela a \u00e9t\u00e9 suivi quelques ann\u00e9es plus tard par d’autres, tels que Folia et Pl@ntNet, cette derni\u00e8re application est si populaire, qui a des millions d’utilisateurs \u00e0 travers le monde (Joly et al. 2016)<\/p>\n\n

<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Identification taxonomique par Pl@ntNet :

Dans le cadre du processus d’identification manuel, le botaniste utilise diverses caract\u00e9ristiques des plantes comme cl\u00e9s d’identification, qui sont examin\u00e9es de fa\u00e7on s\u00e9quentielle pour d\u00e9terminer les esp\u00e8ces v\u00e9g\u00e9tales. Essentiellement, l’utilisation d’une cl\u00e9 d’identification permet de r\u00e9pondre \u00e0 une s\u00e9rie de questions sur un ou plusieurs attributs d’une plante inconnue, par exemple : forme, couleur et nombre de p\u00e9tales, presence d\u2019\u00e9pines ou de poils, etc. En se concentrant sur les caract\u00e9ristiques les plus discriminantes, on r\u00e9duit le nombre des esp\u00e8ces candidates pour arriver finalement \u00e0 identifier l’esp\u00e8ce d\u00e9sir\u00e9e. Cette analyse, fond\u00e9e sur les connaissances sp\u00e9cialis\u00e9es de botanistes chevronn\u00e9s, peut d\u00e9sormais \u00eatre r\u00e9alis\u00e9e par toute personne utilisant l’application mobile Pl@ntNet (https:\/\/plantnet.org) (Figure 1).

Pl@ntNet a d\u00e9but\u00e9 en 2013 comme projet de science participatif sur la biodiversit\u00e9 v\u00e9g\u00e9tale. L’application repose sur l’expertise, les m\u00e9thodes et les jeux de donn\u00e9es \u00e9labor\u00e9s par diff\u00e9rentes \u00e9quipes des experts num\u00e9riques et des botanistes du Cirad, de l\u2019Inra, l\u2019Inria et l’IRD, ainsi que le r\u00e9seau Tela Botanica de botanistes francophones (https:\/\/www.tela-botanica.org). Mais Pl@ntNet est aussi une plateforme innovante qui d\u00e9pend de la contribution d’utilisateurs pour am\u00e9liorer la production de donn\u00e9es d’observation botanique. Il suffit de prendre une photo d’une partie de la plante qu\u2019on veut identifier et d’envoyer l’image \u00e0 l’application. Ensuite, le syst\u00e8me compare la photo aux images de la base de donn\u00e9es et donne le nom de l’esp\u00e8ce la plus proche sur le plan visuel. Il revient alors \u00e0 l’observateur de d\u00e9signer l’esp\u00e8ce parmi les r\u00e9sultats propos\u00e9s.
Jusqu’\u00e0 pr\u00e9sent, environ 3 millions d’images de plantes ont \u00e9t\u00e9 charg\u00e9es et puis analys\u00e9es par des professionnels. Le syst\u00e8me d’identification des images est synchronis\u00e9 avec des observations valid\u00e9es par des experts. Naturellement, les performances du syst\u00e8me s’am\u00e9liorent lorsque le nombre d’images augmente. Actuellement, l’application peut identifier environ 29,000 esp\u00e8ces, mais Pl@ntNet s’enrichit de jour en jour gr\u00e2ce \u00e0 l’apport de 16 millions d’utilisateurs r\u00e9partis dans 150 pays (https:\/\/www.cirad.fr\/nos-activites-notre-impact\/notre-impact\/recits-d-impact\/plantnet).

Figure 1 : exemple de visualisation de l’interface de l\u2019application mobile Pl@ntNet.
\u2003<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\"exemple\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Bibliographie
Ballard, D. H. (1982). Computer vision, Prentice-Hall.<\/p>\n

Carranza-Rojas, J., Goeau, H., Bonnet, P., Mata-Montero, E., Joly, A. (2017). Going deeper in the automated identification of Herbarium specimens. BMC evolutionary biology, 17(1): 1-14.<\/p>\n

Gaston, K.J., O\u2019Neill, M.A. (2004). Automated species identification: why not? Philosophical Transactions of the Royal Society B: Biological Sciences, 359(1444):655\u2013667.<\/p>\n

Hearn, D.J. (2009). Shape analysis for the automated identification of plants from images of leaves. Taxon, 58(3):934\u2013954.<\/p>\n

Hinton, G., Vinyals, O., Dean, J. (2015). Distilling the knowledge in a neural network. arXiv preprint arXiv:1503.02531, 2(7). https:\/\/www.semanticscholar.org\/paper\/Distilling-the-Knowledge-in-a-Neural-Network-Hinton-Vinyals\/0c908739fbff75f03469d13d4a1a07de3414ee19<\/p>\n

Huang, P., Dai, S., Lin, P. (2006). Texture image retrieval and image segmentation using composite sub-band gradient vectors. Journal of Visual Communication and Image Representation, 17(5):947\u2013957.<\/p>\n

Joly, A., Bonnet, P., Goe\u0308au, H., Barbe, J., Selmi, S., Champ, J., Dufour-Kowalski, S., Affouard, A., Carre\u0301, J., Molino, J.F. (2016). A look inside the pl@ntnet experience. Multimedia Systems, 22(6):751\u201366.<\/p>\n

Kumar, N., Belhumeur, P., Biswas, A., Jacobs, D., Kress, W., Lopez, I., Soares, J. (2012). Leafsnap: a computer vision system for automatic plant species identification. In A. Fitzgibbon, S. Lazebnik, P. Perona, Y. Sato, C. Schmid (Eds.) Computer vision\u2013ECCV 2012. Lecture notes in computer science (pp 502\u2013516). Berlin: Springer.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Une connaissance pr\u00e9cise de l’identit\u00e9, de la distribution g\u00e9ographique et de l’\u00e9volution des esp\u00e8ces v\u00e9g\u00e9tales est indispensable \u00e0 la pr\u00e9servation de la biodiversit\u00e9. Toutefois, l’identification taxonomique des organismes v\u00e9g\u00e9taux reste quasiment impossible pour les non-sp\u00e9cialistes et souvent difficile, m\u00eame pour … Lire la suite\u00ad\u00ad<\/a><\/p>\n","protected":false},"author":88,"featured_media":4489,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[18,19,12],"tags":[],"class_list":["post-3871","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-advanced-neural-net","category-machine-learning","category-reflexion-is"],"yoast_head":"\nIdentification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS\" \/>\n<meta property=\"og:description\" content=\"Une connaissance pr\u00e9cise de l’identit\u00e9, de la distribution g\u00e9ographique et de l’\u00e9volution des esp\u00e8ces v\u00e9g\u00e9tales est indispensable \u00e0 la pr\u00e9servation de la biodiversit\u00e9. Toutefois, l’identification taxonomique des organismes v\u00e9g\u00e9taux reste quasiment impossible pour les non-sp\u00e9cialistes et souvent difficile, m\u00eame pour … Lire la suite\u00ad\u00ad\" \/>\n<meta property=\"og:url\" content=\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/\" \/>\n<meta property=\"og:site_name\" content=\"Recherche d'Id\u00e9eS\" \/>\n<meta property=\"article:published_time\" content=\"2023-01-08T11:02:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-01-16T09:41:27+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png\" \/>\n\t<meta property=\"og:image:width\" content=\"751\" \/>\n\t<meta property=\"og:image:height\" content=\"649\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Valentina Caracuta\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Valentina Caracuta\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/\",\"name\":\"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS\",\"isPartOf\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png\",\"datePublished\":\"2023-01-08T11:02:00+00:00\",\"dateModified\":\"2023-01-16T09:41:27+00:00\",\"author\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/4f0f87889ba03f858c80276e84afa5aa\"},\"breadcrumb\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png\",\"contentUrl\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png\",\"width\":751,\"height\":649},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\/\/campus.hesge.ch\/blog-master-is\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet.\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#website\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/\",\"name\":\"Recherche d'Id\u00e9eS\",\"description\":\"Carnet de recherche des \u00e9tudiants du Master en sciences de l'information et des donn\u00e9es (Information Science - IS) de la Haute \u00e9cole de gestion de Gen\u00e8ve\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/campus.hesge.ch\/blog-master-is\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/4f0f87889ba03f858c80276e84afa5aa\",\"name\":\"Valentina Caracuta\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/916c273cf1569f95d00195c82adb14d8?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/916c273cf1569f95d00195c82adb14d8?s=96&d=mm&r=g\",\"caption\":\"Valentina Caracuta\"},\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/author\/valentina\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/","og_locale":"fr_FR","og_type":"article","og_title":"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS","og_description":"Une connaissance pr\u00e9cise de l’identit\u00e9, de la distribution g\u00e9ographique et de l’\u00e9volution des esp\u00e8ces v\u00e9g\u00e9tales est indispensable \u00e0 la pr\u00e9servation de la biodiversit\u00e9. Toutefois, l’identification taxonomique des organismes v\u00e9g\u00e9taux reste quasiment impossible pour les non-sp\u00e9cialistes et souvent difficile, m\u00eame pour … Lire la suite\u00ad\u00ad","og_url":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/","og_site_name":"Recherche d'Id\u00e9eS","article_published_time":"2023-01-08T11:02:00+00:00","article_modified_time":"2023-01-16T09:41:27+00:00","og_image":[{"width":751,"height":649,"url":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png","type":"image\/png"}],"author":"Valentina Caracuta","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Valentina Caracuta","Dur\u00e9e de lecture estim\u00e9e":"6 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/","url":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/","name":"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet. - Recherche d'Id\u00e9eS","isPartOf":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#website"},"primaryImageOfPage":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage"},"image":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage"},"thumbnailUrl":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png","datePublished":"2023-01-08T11:02:00+00:00","dateModified":"2023-01-16T09:41:27+00:00","author":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/4f0f87889ba03f858c80276e84afa5aa"},"breadcrumb":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#primaryimage","url":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png","contentUrl":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2023\/01\/Capture-d\u2019e\u0301cran-2022-12-09-a\u0300-12.46.51-2.png","width":751,"height":649},{"@type":"BreadcrumbList","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/identification-taxonomique-des-plantes-par-apprentissage-profond-deep-learning-le-cas-de-plntnet\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/campus.hesge.ch\/blog-master-is\/"},{"@type":"ListItem","position":2,"name":"Identification taxonomique des plantes par apprentissage profond (deep learning) : le cas de Pl@ntNet."}]},{"@type":"WebSite","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#website","url":"https:\/\/campus.hesge.ch\/blog-master-is\/","name":"Recherche d'Id\u00e9eS","description":"Carnet de recherche des \u00e9tudiants du Master en sciences de l'information et des donn\u00e9es (Information Science - IS) de la Haute \u00e9cole de gestion de Gen\u00e8ve","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/campus.hesge.ch\/blog-master-is\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/4f0f87889ba03f858c80276e84afa5aa","name":"Valentina Caracuta","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/916c273cf1569f95d00195c82adb14d8?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/916c273cf1569f95d00195c82adb14d8?s=96&d=mm&r=g","caption":"Valentina Caracuta"},"url":"https:\/\/campus.hesge.ch\/blog-master-is\/author\/valentina\/"}]}},"_links":{"self":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/3871","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/users\/88"}],"replies":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/comments?post=3871"}],"version-history":[{"count":9,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/3871\/revisions"}],"predecessor-version":[{"id":4669,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/3871\/revisions\/4669"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/media\/4489"}],"wp:attachment":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/media?parent=3871"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/categories?post=3871"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/tags?post=3871"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}