Note ABES Artificial intelligence in radiolarian fossil identification : taxonomic, biostratigraphic and evolutionary implications Détermination des radiolaires fossiles à l'aide de l'intelligence artificielle : implications taxonomiques, biostratigraphiques et évolutives Biostratigraphie Réseaux de neurones Intelligence artificielle Évolution Taxonomie Radiolaires Analyse de discrimination linéaire Radiolarians Artificial intelligence Neural networks Biostratigrapy Taxonomy Evolution Radiolaires Classification Spéciation Éocène Radiolaires Morphologie (biologie) Évolution Biostratigraphie Éocène Micropaléontologie Éocène Paléoécologie Éocène Taxonomie numérique Réseaux neuronaux (informatique) 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 de thèse 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 des morphotypes qui font partie d'une transition évolutive. Le réseau de neurones 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 égale ou presqu'égale à celle des CNN, avec simplement leur utilisation étant plus efficace en termes de calcul et du fait qu'il prennent moins de mémoire. Il y a également eu quelques comparaisons utilisant des analyses morphométriques traditionnelles, telle que l'analyse de discrimination linéaire (LDA), donnant à peu près le même type de résultats. 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, lesquelles, à terme, contribueront à des études de haute résolution afin de comprendre l'histoire passée de la Terre. 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 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 show 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 analyses, such as Linear Discrimination Analysis (LDA), giving approximately the same kind of results. 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. Electronic Thesis or Dissertation Text en PDF 13512402 https://pepite-depot.univ-lille.fr/LIBRE/EDSMRE/2023/2023ULILR092.pdf https://theses.hal.science/tel-04619778 https://theses.hal.science/tel-04619778 https://theses.fr/2023ULILR092/abes https://theses.hal.science/tel-04619778 https://theses.hal.science/tel-04619778 https://theses.hal.science/tel-04619778 Artificial intelligence applied to the classification of eight middle Eocene species of the genus Podocyrtis (polycystine radiolaria) Veronica Carlsson Taniel Danelian Pierre Boulet Philippe Devienne Aurelien Laforge Johan Renaudie Copernicus Publications en 2022 Text Morphometrics and machine learning discrimination of the middle Eocene radiolarian species Podocyrtis chalara, Podocyrtis goetheana and their morphological intermediates Francisco Pinto Veronica Carlsson Mathias Meunier Bert Van Bocxlaer Hammouda Elbez Marie Cueille Pierre Boulet Taniel Danelian Elsevier en 2023 Text Convolutional neural network application on a new middle Eocene radiolarian dataset Veronica Carlsson Taniel Danelian Martin Tetard Mathias Meunier Pierre Boulet Philippe Devienne Sandra Ventalon Elsevier en 2023 Text Carlsson Veronica Carlsson 1991-03-01 SE 278915000 https://theses.fr/2023ULILR092 2023ULILR092 https://doi.org/10.70675/5cf8113fzaad3z4ff0zac79z7f5ce6df3ac6 2023-12-08 Sciences de la terre et de l'univers Université de Lille (2022-....) 259265152 Doctorat Docteur es oui oui Danelian Taniel MADS_DIRECTEUR_DE_THESE_1 113183674 Boulet Pierre MADS_DIRECTEUR_DE_THESE_2 069782644 Danneville François MADS_PRESIDENT_DU_JURY 060251875 Hori Rie MADS_MEMBRE_DU_JURY_1 278914543 Hsiang Allison MADS_MEMBRE_DU_JURY_2 278914071 Crônier Catherine MADS_MEMBRE_DU_JURY_3 148673902 Cordey Fabrice MADS_RAPPORTEUR_1 033671729 Garidel-Thoron Thibault de MADS_RAPPORTEUR_2 078744563 École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....) MADS_ECOLE_DOCTORALE_1 148937330 Evolution, Ecologie et Paléontologie (Evo-Eco-Paléo) MADS_PARTENAIRE_DE_RECHERCHE_1 411295 190718293 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_2 410272 18388695X Programme for EArly-stage Researchers in Lille (France) MADS_PARTENAIRE_DE_RECHERCHE_3 283953136 ddc:560 Danelian Taniel Boulet Pierre Danneville François Hori Rie Hsiang Allison Crônier Catherine Cordey Fabrice Garidel-Thoron Thibault de École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....) Evolution, Ecologie et Paléontologie (Evo-Eco-Paléo) Centre de Recherche en Informatique, Signal et Automatique de Lille Programme for EArly-stage Researchers in Lille (France) PDF 13512402