Nous explorons différentes approches hiérarchiques de transfert d’apprentissage d’un réseau antagoniste génératif Style- GAN2 afin de synthétiser des images de Copepoda. Il s’agit d’un des groupes les plus abondants de la faune aquatique, possédant peu d’images disponibles publiquement. Ces animaux sont de formidables bio-indicateurs de la pollution ou des changements environnementaux d’un milieu. Deux schémas d’apprentissage sont proposés. Le premier consiste à pré-entraîner le réseau avec les données d’un autre spécimen de même rang taxonomique et de faire un transfert d’apprentissage sur les données de l’animal étudié. Le deuxième consiste à pré-entraîner le réseau pour capturer les caractéristiques communes aux spécimens d’un rang taxonomique supérieur, pour enfin affiner le modèle au rang taxonomique inférieur souhaité. Ces méthodes visent à profiter des relations qui lient différents rangs taxonomiques. Les modèles obtenus sont ensuite évalués à l’aide des métriques FID et KID. Les images générées sont prometteuses, montrant des caractéristiques morphologiques typiques des copépodes. Ces données pourront ensuite être utilisées pour la formation de futurs taxonomistes et pour le développement de classifieurs de ces animaux, modèles qui nécessitent un grand nombre d’images pour leur entraînement.

We explore two StyleGAN2 hierarchical transfer learning approaches in order to generate synthetic images of Copepoda animals. This is one of the most abundant groups in the aquatic fauna, yet only a few publicly available images are available. These animals are formidable bio-indicators of environmental changes or pollution of an habitat. Two learning approaches are proposed. The first is to pre-train the network with a dataset of another specimen of the same taxonomic rank and then fine tune it with the dataset of the studied animal. The second is to pre-train the network to capture features common to specimens of a higher taxonomic rank, finally refining the model to the desired lower taxonomic rank. Both methods aim to take advantage of the relationships that link different taxonomic ranks. The resulting models are then evaluated using the FID and KID metrics. The generated images are promising, showing typical morphological features of Copepods. These data can then be used to train future taxonomists and develop classifiers, models that require a large number of images for training.