Utilisation de réseaux de neurones convolutifs pour mieux comprendre l’évolution et le développement du comportement de dessin chez les Hominidés

Using convolutional neural networks to better understand the evolution and development of drawing behavior in Hominids

• Auteur / Autrice : Benjamin Beltzung
• Direction : Cédric Sueur
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique et biologie des systèmes
• Date : Soutenance le 17/10/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut pluridisciplinaire Hubert Curien (Strasbourg ; 2006-....)
• Jury : Président / Présidente : Benoît Naegel
• Jury : Examinateurs / Examinatrices : Marie Pelé, Claire Saraux
• Jury : Rapporteur / Rapporteuse : Chantal Soulé-Dupuy, Olivier Teste

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage profond

Chez les animaux

Psychologie du dessin

Mots clés libres

Intelligence artificielle

Apprentissage profond

Interprétabilité

Comportement de dessin

Primates

Artificial intelligence

Deep learning

Interpretability

Drawing behavior

Primates

Résumé

L’étude du comportement de dessin peut être très informative cognitivement et psychologiquement, tant chez les humains que chez les autres primates. Cette richesse d’information peut également être un frein à son analyse et à son interprétation, en particulier en l’absence d’explication ou verbalisation de son auteur. En effet, il est possible que l’interprétation donnée par un adulte d’un dessin ne soit pas en accord avec l’intention première du dessinateur. Durant ma thèse, j’ai montré que, bien que généralement considérés comme des boîtes noires, les réseaux de neurones convolutifs (CNNs) peuvent permettre de mieux comprendre le comportement de dessin. Dans un premier lieu, l’utilisation d’un CNN a permis de classifier des dessins d’une femelle orang-outan selon leur saison de production ainsi que de mettre en avant une variation de style et de contenu. De plus, une approche ontogénique a permis de quantifier la similarité entre des productions de différents groupes d’âges. Par la suite, des modèles plus interprétables ainsi que l’application de nouvelles méthodes d’interprétabilité pourraient permettre de mieux déchiffrer le comportement de dessin.

The study of drawing behavior can be highly informative, both cognitively and psychologically, in humans and other primates. However, this wealth of information can also be a challenge to analysis and interpretation, particularly in the absence of explanation or verbalization by the author of the drawing. Indeed, an adult's interpretation of a drawing may not be in line with the artist's original intention. During my thesis, I showed that, although generally regarded as black boxes, convolutional neural networks (CNNs) can provide a better understanding of the drawing behavior. Firstly, by using a CNN to classify drawings of a female orangutan according to their season of production, and highlighting variation in style and content. In addition, an ontogenetic approach was considered to quantify the similarity between productions from different age groups. In the future, more interpretable models and the application of new interpretability methods could be applied to better decipher drawing behavior.