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.

Perception et compréhension
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

Rechercher dans les titres et descriptions

Secteur

Programme

Étape

Région

Alignement stratégique

Catégorie d'IA

Sous-catégorie d'IA

Capacité d'IA

Engagement du mandat du premier ministre

Périmètre

Déclarée au SCT En pause

Réinitialiser

71 initiative(s) courante(s)

Registre des initiatives en IA
ID	Initiative en IA	Étape	Description	Secteur	Région	Catégorie d'IA	Expert en la matière
212	Surveillance électronique en mer	Pilote	Il 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’inte...	Statistiques, politiques et permis	Québec	Perception et compréhension Vision par ordinateur	Rémillard, Vincent
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.	Pilote	Une entente de contribution pour l’année 2025-2026 (Programme de gestion des océans) visant à l’amélioration de l’outil développé par le Cen...	Planification et conservation marines	Québec	Perception et compréhension Vision par ordinateur	Brossard, Jade
245	Solution de reconnaissance d’objets, de classification, d’étiquetage, d’organisation et de compréhension des modèles (OCTOPUS) Traduit de l'anglais	Développement	This initiative leverages AI technologies to build an Object, Classification, Tagging, Organization, and Pattern Understanding Solution (OC...	Dirigeant principal du numérique	Région de la capitale nationale	Perception et compréhension IA multimodale	Ibrahim, Omar
163	Recherches sur l’Intelligence artificielle pour le traitement automatisé des données d’acoustiques sous-marine	Pilote	Nous utilisons les technologies d’apprentissage profond (deep learning) et les détecteurs pour la détection et identification en temps réal...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Détection d'événements sonores	Winegardner, Amanda
162	Recherche et développement d’outils de vision automatisée pour l’étude des refuges marins des coraux et des éponges du golfe du Saint-Laurent.	Idéation	Projet de contribution avec le Centre de développement et de recherche en intelligence numérique (CDRIN). L’objectif est de concevoir et dév...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
213	Numérisation de documents manuscrits	Pilote	En collaboration avec l’équipe nationale de l’Intendant principal des données (PSSI), visant principalement la pêche au saumon. L’objectif e...	Statistiques, politiques et permis	Québec	Perception et compréhension Vision par ordinateur	Rémillard, Vincent
218	L’observation des bélugas de l’estuaire du Saint-Laurent	Pilote	Entente de contribution avec le Groupe de recherche et d'éducation sur les mammifères marins (GREMM) pour le développement d'un module de me...	Planification et conservation marines	Québec	Perception et compréhension Vision par ordinateur	Robert, Sonia
92	Identification automatisée de la condition de carapace de crabe des neiges	Pilote	Détermination de la condition de carapace de crabe des neiges à partir d’images. La méthode offre une façon de valider/améliorer des données...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
223	Évaluation automatisée des images satellitaires Traduit de l'anglais	Pilote	AI routines are being developed and tested to assess large volume of satellite imagery and data to: i) Automatically Identify marine hazards...	Sciences des écosystèmes et des océans	Ontario et Prairies	Perception et compréhension Vision par ordinateur	Klein, David
93	Détection de homards et de crabes communs dans les images sous-marines par intelligence artificielle.	Pilote	Développer un processus de capture et d’analyse d’images sous-marine par Intelligence Artificielle pour la détection de homards et de crabes...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
166	Détection de baleines sur les images obtenues par les drones	Pilote	Ce projet vise à générer des bases de données d’images annotées et des modèles IA entrainés pour détecter les différentes espèces ou groupes...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
81	Topaz AI Software Non traduit · origine : anglais	Pilote	Enhance underwater video from ROV and tow camera deployments in the offshore region and elsewhere. The deployment of these platforms is incr...	Sciences des écosystèmes et des océans	Pacifique	Perception et compréhension Vision par ordinateur	Best, Merlin
90	Deep Learning Enhances Beluga Whale Research in the Arctic Non traduit · origine : anglais	Pilote	Esri Canada built a deep learning model that automatically detects beluga whales in imagery. The model was developed using satellite, drone...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
76	Chumputer Vision - salmon scale age predictive AI (See B8) Non traduit · origine : anglais	Idéation	Deep Machine Learning and Convolutional Neural Network application for the predictive application of age assignment of Chum salmon by way of...	Sciences des écosystèmes et des océans	Pacifique	Perception et compréhension Vision par ordinateur	Wischniowski, Stephen
74	Pacific Plankton Monitoring: Imagery and automated classification Non traduit · origine : anglais	Pilote	• Monitoring of zooplankton and phytoplankton in the water column with shipboard and benchtop plankton imaging instruments (UVP, ZooScan, Pl...	Sciences des écosystèmes et des océans	Pacifique	Perception et compréhension Vision par ordinateur	Sastri, Akash
72	Extracting impacts data from regulatory documents Non traduit · origine : anglais	Idéation	Use OCR pdf readers, topic detection and language models to detect specific data elements inside written text documents, for extraction and...	Sciences des écosystèmes et des océans	Pacifique	Perception et compréhension Compréhension du langage naturel	Bird, Tom
34	AI-assisted Marine Mammal Annotation Tool Non traduit · origine : anglais	Pilote	The goal of the project is to improve the efficiency of the aerial image annotation process to reduce manual efforts of the marine mammal sc...	Politiques stratégiques	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Wang, Yuchen
86	Automatic detection of Arctic whales in aerial images Non traduit · origine : anglais	Pilote	In collaboration with Dr. David Clausi and his team at the Vision and Image Processing (VIP) Research Lab (University of Waterloo), we have...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
87	ANMPA Habitat Mapping Project Non traduit · origine : anglais	Pilote	Drop camera survey to document seafloor habitats and biological communities in the Anguniaqvia niqiqyuam Marine Protected Area (ANMPA) in th...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
88	Development of an AI matching model for bowhead whale photo-identification Non traduit · origine : anglais	Pilote	Using DFO’s existing database of bowhead whale photographs, the specific objectives are: 1) Create a machine learning model “detector” for b...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
89	Augmenting Whale Detection in Satellite Images using synthetic data Non traduit · origine : anglais	Pilote	An autodetector model was built to detect whales in satellite imagery using synthetic imagery. The primary author is now testing the algorit...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
95	Optimization of Machine Learning modelling strategy for coastal zooplankton taxonomic identification from flow microscopy imaging. Non traduit · origine : anglais	Pilote	As part of Aquaculture Monitoring Program we are using Ecotaxa's ML algorithm to identify zooplankton. The project aims at identifying the b...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
91	Localization and Tracking of Beluga Whales in Aerial video Using Deep Learning Non traduit · origine : anglais	Pilote	Deep-learning model was developed us YOLOv7 to detect beluga whales from imagery footage. The main contribution of this research is providin...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
94	DFO Bot, deep learning application to analyse otolith images available in DFO Dots Non traduit · origine : anglais	Pilote	Development of a neural network trained using otolith images, expert-derived age estimates, otolith annotations and annuli to obtain age est...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda
105	Combining artificial intelligence and drone imagery for automatic extraction of morphometric attributes of small cetaceans: Application to the St. Lawrence Estuary Beluga population. Non traduit · origine : anglais	Pilote	This project proposes to use a multiyear time series of drone images of the St. Lawrence Estuary Beluga population to develop a series of al...	Sciences des écosystèmes et des océans	Région de la capitale nationale	Perception et compréhension Vision par ordinateur	Winegardner, Amanda

212
Surveillance électronique en mer
Il 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 Vision par ordinateur
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 Vision par ordinateur
245
Solution de reconnaissance d’objets, de classification, d’étiquetage, d’organisation et de compréhension des modèles (OCTOPUS)
This initiative leverages AI technologies to build an Object, Classification, Tagging, Organization, and Pattern Understanding Solution (OCTOPUS) to enhance the analysis of video, image, and audio data, improve monitoring capabilities and support decision-making processes at DFO. The MVP will initially focus on video processing capabilities, with planned expansion to image and audio analysis in FY 2026–27. In addition, the initiative will deliver integrated data annotation and model training tools to support continuous improvement and reuse of AI models.

Développement Dirigeant principal du numérique Perception et compréhension IA multimodale
163
Recherches sur l’Intelligence artificielle pour le traitement automatisé des données d’acoustiques sous-marine
Nous utilisons les technologies d’apprentissage profond (deep learning) et les détecteurs pour la détection et identification en temps réal des espèces de mammifères marins telles que la baleine noire de l’Atlantique.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Détection d'événements sonores
162
Recherche et développement d’outils de vision automatisée pour l’étude des refuges marins des coraux et des éponges du golfe du Saint-Laurent.
Projet de contribution avec le Centre de développement et de recherche en intelligence numérique (CDRIN). L’objectif est de concevoir et développer un outil d’intelligence artificielle permettant de détecter et suivre les organismes benthiques filmés dans refuges marins des coraux et des éponges du Golfe du Saint-Laurent.

Idéation Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
213
Numérisation de documents manuscrits
En 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 Vision par ordinateur
218
L’observation des bélugas de l’estuaire du Saint-Laurent
Entente 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 Vision par ordinateur
92
Identification automatisée de la condition de carapace de crabe des neiges
Détermination 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 Vision par ordinateur
223
Évaluation automatisée des images satellitaires
AI 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 Vision par ordinateur
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 Vision par ordinateur
166
Détection de baleines sur les images obtenues par les drones
Ce projet vise à générer des bases de données d’images annotées et des modèles IA entrainés pour détecter les différentes espèces ou groupes d’espèces visés.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
81
Topaz AI Software
Enhance underwater video from ROV and tow camera deployments in the offshore region and elsewhere. The deployment of these platforms is incredibly time- and resource-consuming, making the optimization of available video an important part of getting the most from this imagery. In addition there are camera limitations from the available DFO survey tools and framegrabs from video will be used as a major product from surveys, making enhancement to high quality images crucial. Topaz Video AI and Topaz Photo AI

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
90
Deep Learning Enhances Beluga Whale Research in the Arctic
Esri Canada built a deep learning model that automatically detects beluga whales in imagery. The model was developed using satellite, drone and aerial imagery and reported accuracy is high, but the model has not been tested by DFO Science yet.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
76
Chumputer Vision - salmon scale age predictive AI (See B8)
Deep Machine Learning and Convolutional Neural Network application for the predictive application of age assignment of Chum salmon by way of scale images. Chum salmon has been selected as the gateway species due to its relatively easy scale pattern interpretation, this will foster the pathway forward for Chinook, Coho Sockeye and Herring as future targets for AI age interpretation. Deep Machine Learning and Convolutional Neural Network within a Python predictive algorithm

Idéation Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
74
Pacific Plankton Monitoring: Imagery and automated classification
• Monitoring of zooplankton and phytoplankton in the water column with shipboard and benchtop plankton imaging instruments (UVP, ZooScan, PlanktoScope). • Application of automated classification of survey and preserved sample image data sets to complement and enhance spatial and temporal resolution of monitoring in Canada’s EEZ and offshore NE Pacific. Development of and regular optimization of automated image classification models using AI: deep learning (residual networks) and machine learning (random forests) methods.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
72
Extracting impacts data from regulatory documents
Use OCR pdf readers, topic detection and language models to detect specific data elements inside written text documents, for extraction and analysis in a cumulative impacts context. Large lanugage models and topic clustering tools

Idéation Sciences des écosystèmes et des océans Perception et compréhension Compréhension du langage naturel
34
AI-assisted Marine Mammal Annotation Tool
The goal of the project is to improve the efficiency of the aerial image annotation process to reduce manual efforts of the marine mammal science team and reduce time-to-insight for marine mammal survey flights. This project is currently in progress. Business requirements have been finalized and development has commenced Client: Ecosystems and Oceans Science - Ecosystems Science Directorate

Pilote Politiques stratégiques Perception et compréhension Vision par ordinateur
86
Automatic detection of Arctic whales in aerial images
In collaboration with Dr. David Clausi and his team at the Vision and Image Processing (VIP) Research Lab (University of Waterloo), we have been developing an algorithm to detect narwhals and belugas in photos from aerial surveys. We are planning to expand to ice seals and walrus.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
87
ANMPA Habitat Mapping Project
Drop camera survey to document seafloor habitats and biological communities in the Anguniaqvia niqiqyuam Marine Protected Area (ANMPA) in the Inuvialuit Settlement Region. A project sub-objective is to develop AI capacity to detect and record bottom habitat classifications and benthic animals from video still-images, substantially reducing processing times.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
88
Development of an AI matching model for bowhead whale photo-identification
Using DFO’s existing database of bowhead whale photographs, the specific objectives are: 1) Create a machine learning model “detector” for bowhead whales. 2) Create a machine learning individual re-ID model for bowhead whales to re-identify bowheads. 3) To make the detector and matching models accessible through an easy to use, freely available, web-based application, Flukebook.org.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
89
Augmenting Whale Detection in Satellite Images using synthetic data
An autodetector model was built to detect whales in satellite imagery using synthetic imagery. The primary author is now testing the algorithm on satellite imagery obtained by Arctic Region that has been manually read for whales.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
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 Vision par ordinateur
91
Localization and Tracking of Beluga Whales in Aerial video Using Deep Learning
Deep-learning model was developed us YOLOv7 to detect beluga whales from imagery footage. The main contribution of this research is providing a system that accurately detects and tracks features of beluga whales, both adults and calves, from aerial footage.

Pilote Sciences des écosystèmes et des océans Perception et compréhension Vision par ordinateur
94
DFO Bot, deep learning application to analyse otolith images available in DFO Dots
Development 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 Vision par ordinateur
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 Vision par ordinateur