Registre des initiatives en IA
Toutes les initiatives inscrites au registre sont consultables ici, sans compte. Chaque fiche montre son avancement, ses jalons et l'historique de ses décisions. Les demandes encore en cours de triage n'y figurent pas : elles rejoignent le registre une fois examinées.
Perception et compréhension
De l'IA qui interprète le monde, par le texte, l'image ou le son.
Qu'est-ce que « Perception et compréhension » ?
Cette catégorie regroupe les systèmes d'IA qui captent, interprètent ou perçoivent des données de leur environnement, en imitant des sens humains : la vue, l'ouïe, le toucher, l'odorat et la compréhension du langage. Ces capacités forment le socle de la perception d'une IA : elles lui permettent d'extraire du sens d'entrées non structurées — texte, images, vidéo, audio ou signaux environnementaux.
| Sous-catégorie | Description | Exemples |
|---|---|---|
| Compréhension du langage — traitement automatique du langage naturel (TALN) | Comprendre et produire du langage humain | Agents conversationnels, résumé de documents |
| Vision par ordinateur | Comprendre des images, des vidéos et des données spatiales | Détection d'objets, analyse d'imagerie satellitaire, identification d'espèces |
| Reconnaissance de la parole | Convertir de l'audio en texte | Transcription automatique, commandes vocales pour assistants virtuels |
| IA multimodale | Combiner des types d'entrées (texte et images, etc.) | Légendage d'images, outils de compréhension de documents |
| IA olfactive (reconnaissance artificielle des odeurs) | Détecter et interpréter des odeurs à l'aide de nez électroniques | Détection de fuites de gaz, détection d'altération, identification de polluants en laboratoire |
| IA haptique (perception artificielle du toucher) | Interpréter le toucher et le retour tactile | Échantillonnage robotisé, détection de pression, texture, température |
| Détection d'événements sonores | Reconnaître des sons autres que la parole | Chants de mammifères marins, alertes mécaniques, anomalies de bruit moteur |
| IA de fusion de capteurs | Combiner plusieurs entrées sensorielles | Navigation de véhicules sous-marins autonomes, surveillance d'habitats |
- Indicateur déterminant
- Si la tâche première de l'IA est d'interpréter une entrée brute (image, texte, son, données de capteur), c'est ici qu'elle appartient.
- Types d'entrées courants
-
- Données visuelles (images, vidéo)
- Audio et parole
- Texte en langage naturel
- Relevés de capteurs (haptiques, chimiques, thermiques)
Filtrer 1
71 initiative(s) courante(s)
-
228
SILScannerDeploy on DFO's PBMM Cloud a proof of concept application that uses optical character recognition (OCR) to digitize and validate Stream Inspection Logs (SILs). The PoC was originally developed on SSC's cloud infrastructure. It is now being deployed in DFO PB cloud infrastructure. BLADES initiative and IT security teams are involved.
Pilote Dirigeant principal du numérique Perception et compréhension
-
187
Atlantic Bluefin Tuna MonitoringAutomatically perform video analytics from hundred of harvester tuna video Solution being developed in region to assist C&P in batch processing of at-sea video monitoring footage.
Pilote Affaires autochtones, aquaculture et gouvernance Perception et compréhension
-
188
Coastal SurveillanceAutomatically process thousands of drone images as part of continuous surveillance Solution being developed in region to assist C&P in batch processing of drone surveillance images.
Pilote Affaires autochtones, aquaculture et gouvernance Perception et compréhension
-
218
L’observation des bélugas de l’estuaire du Saint-LaurentEntente de contribution avec le Groupe de recherche et d'éducation sur les mammifères marins (GREMM) pour le développement d'un module de mesures morphométriques assistées par l’intelligence artificielle pour les bélugas de l'estuaire du Saint-Laurent L’entente s’est terminée le 31 mars 2024 mais le module est en cours d’utilisation. Considérant la contrainte de temps imposée par les mesures manuelles des images prises par drones de bélugas, l’équipe de recherche du GREMM a développé une méthode exploitant l’IA pour mesurer plus rapidement et plus efficacement les bélugas.
Pilote Planification et conservation marines Perception et compréhension
-
217
Suite du projet de recherche de recherche et développement d’outils de vision automatisée pour l’étude des refuges marins des coraux et des éponges du golfe du Saint-Laurent.Une entente de contribution pour l’année 2025-2026 (Programme de gestion des océans) visant à l’amélioration de l’outil développé par le Centre de développement et de recherche en intelligence numérique (CDRIN) en 2024-2025. Le projet a comme objectif global de concevoir et développer un outil d’intelligence artificielle permettant de détecter et suivre les organismes benthiques filmés dans les refuges marins des coraux et des éponges du Golfe du Saint-Laurent.
Pilote Planification et conservation marines Perception et compréhension
-
213
Numérisation de documents manuscritsEn collaboration avec l’équipe nationale de l’Intendant principal des données (PSSI), visant principalement la pêche au saumon. L’objectif est de numériser des documents avec des données manuscrites et de les faire analyser par un modèle d’intelligence artificielle qui va décoder l’écriture pour la transformer en données numériques et les insérer dans une base de données. Le but est de remplacer la saisie manuelle de ces données.
Pilote Statistiques, politiques et permis Perception et compréhension
-
212
Surveillance électronique en merIl s’agit de capture d’images vidéo sur les navires de pêche pour ensuite les faire analyser par des ressources humaines et un modèle d’intelligence artificielle doté de capacité d’identification d’événements, d’espèces, etc. Projet fait en collaboration avec l’équipe nationale de l’Intendant principal des données.
Pilote Statistiques, politiques et permis Perception et compréhension
-
190
Lobster Stock AssessmentAutomatically assess lobster count and habitat from hours of video efficiently Solution being developed for Science to review hundreds of hours of video for lobster count and state of habitat.
Pilote Affaires autochtones, aquaculture et gouvernance Perception et compréhension
-
105
Combining artificial intelligence and drone imagery for automatic extraction of morphometric attributes of small cetaceans: Application to the St. Lawrence Estuary Beluga population.This project proposes to use a multiyear time series of drone images of the St. Lawrence Estuary Beluga population to develop a series of algorithms for automatic extraction of morphometric information of individual beluga whales using AI.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
103
Improved understanding of the processes impacting harmful algal bloomsUsing machine learning algorithms to analyze phytoplankton images from the Imaging Flow Cytobot (IFCB) to recognize and quantify species associated with harmful algal blooms.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
96
Use of machine-learning (ML) algorithms and high-performance computing (HPC) for the optimization of satellite image analysis for mapping coastal habitatsThis project aims to improve satellite image analysis of marine habitats leveraging NRC HPC and ML assets to apply cutting-edge ML techniques to the challenges of remote sensing data analysis. Relates to ongoing project (below) through MPC service-level agreement.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
92
Identification automatisée de la condition de carapace de crabe des neigesDétermination de la condition de carapace de crabe des neiges à partir d’images. La méthode offre une façon de valider/améliorer des données de condition de carapace prises sur le terrain. Ces déterminations sont importantes pour quantifier le recrutement à la pêche durant le relevé scientifique ainsi qu’améliorer la qualité des données de crabe mou dans programme observateur-en-mer.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
93
Détection de homards et de crabes communs dans les images sous-marines par intelligence artificielle.Développer un processus de capture et d’analyse d’images sous-marine par Intelligence Artificielle pour la détection de homards et de crabes communs.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
94
DFO Bot, deep learning application to analyse otolith images available in DFO DotsDevelopment of a neural network trained using otolith images, expert-derived age estimates, otolith annotations and annuli to obtain age estimates from otoliths.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
95
Optimization of Machine Learning modelling strategy for coastal zooplankton taxonomic identification from flow microscopy imaging.As part of Aquaculture Monitoring Program we are using Ecotaxa's ML algorithm to identify zooplankton. The project aims at identifying the best strategy in building model training sets for each region monitored. This strategy will be the basis for future AMP zooplankton identification work.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
161
Remote sensing of the internal tide in the St. LawrenceUsing model outputs (STLE500/STLE200) to 1) help identify internal tide surface signature in SWOT (Surface Water and Ocean Topography) data and 2) train an AI to detect internal tide in SWOT data.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
100
Development of AI technology for otolith and scale ageingAgeing of scales and otoliths is time-consuming, relies on skilled personnel, and often faces delays. AI tools like DFOdots offer a solution by enabling automated ageing using annotated reference collections, helping reduce backlogs and support training. Developing these AI models can enhance resilience, efficiency, and training capacity in ageing programs.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
106
Finwave: an online photo-identification database and AI matching toolThis project aims to improve a publicly accessible machine learning platform capable of identifying individual killer whales in real-time from submitted photographs. The ultimate goal is to improve the web-based interface and validate the algorithm used for photo identification against known individuals.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
118
Use of artificial intelligence models to facilitate seafloor video annotations in conservation areas.The purpose of this initiative is to utilize AI to facilitate seafloor video annotations collected as part of the MCT and Benthic Ecology programs in the NL Region. A large number of vidEcosystems and Oceans Science is collected annually, and manual video annotation (e.g., locating and counting observations) is extremely time-consuming. A published “object detection model” (FathomNet Megalodon Detector, YOLOv8x) trained using marine taxa by MBARI is currently being used to identify objects in our seafloor images. The model does not identify the objects (e.g., to species), but it largely accelerates the process given that locating objects is the most time-consuming part of the work.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
119
Computer vision to automate fish data extraction from videoOur purpose has been to build a tool to broadly apply computer vision methods in marine research. Our work has generated several publications illustrating how we built, tested/validated, and applied computer vision methodology to collect / extract / and analyze data pertaining to marine fish in the Newfoundland and Labrador region, from video. For example, we have used it to examine the impact of seismic surveying on commercial fish in the Newfoundland and Labrador offshore. Our continuing purpose is now broadly sharing our system with commercial harvesters (fishermen), non-profit organization (AHOI), government researchers (aquaculture, MPAs, AIS), and academics (computing scientists), to collect and rapidly analyzing video data for a wide range of applications.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
122
Development and testing of artificial intelligence and machine learning to analyze underwater photo and video data to assess marine impacts and resourcesThis completed project (2020/21) aimed to utilize machine learning and imaging technology in fisheries science. The proponent planned to use Video and Image Analytics for Marine Environments (VIAME), an open-source system developed by NOAA, for two specific purposes: 1. Measure the movement of Atlantic cod across boundaries at the Gilbert Bay Marine Protected Area in Newfoundland and Labrador. 2. Assess the impact of seismic surveying on Atlantic cod as part of a project funded by the Environmental Studies Research Fund (ESRF). The automatic detection and count of fish near MPA boundaries was expected to reduce use of personnel time and effort.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
124
Development of an underwater videography and AI system for studying fish passage effectivenessDesigned to train existing DFO tools with information on fish passage effectiveness and develop an SOP for training videography-based AI models in support of fish passage projects.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
126
Automated assessment of satellite imageryAI routines are being developed and tested to assess large volume of satellite imagery and data to: i) Automatically Identify marine hazards and ii) Change detection – i.e. shorelines or riverbank changes.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
130
Salmon Data DigitizationDigitizing non-machine-readable (handwritten) documents and extracts characters into a digital format so that it is accessible, editable, and useable for analysis.
Pilote Sciences des écosystèmes et des océans Perception et compréhension
-
132
Salmon Scale AgingA model using computer vision to look at images of salmon scale and predict the age of salmon and also explain how it arrived at its prediction.
Pilote Sciences des écosystèmes et des océans Perception et compréhension