Portrait photographique collectif de la ville

De nos jours, nous documentons nos expériences de la ville de façon collective et continue sur les réseaux sociaux, créant ainsi une image virtuelle des villes.

Multiplicity porte un regard nouveau sur ce paysage photographique fait de points de focalisation et centres d’intérêts. A quoi ressemble Paris à travers l’objectif de milliers de photographes ? Quels en sont les centres névralgiques et les espaces délaissés ? Quels sont les poses et clichés les plus récurrents ? Et à quel point les photos publiées corroborent-elles votre propre idée de la ville ?

Cette installation interactive propose une immersion dans un espace-image façonné à partir de centaines de milliers de photos prises dans la ville de Paris. En employant des techniques issues du machine learning (ou apprentissage automatique), ces images ont été triées et regroupées par similitudes et par sujets, permettant une exploration visuelle de niches et micro- genres de styles photographiques.

Une attention toute particulière est portée sur des amas très denses d’images très semblables prise sur un même lieu: des récréations collectives de poses typiques – tout pareil, et pourtant différent.

Ces amas resserrés d’images quasi- identiques sont devenus pour moi, l’aspect le plus intéressant du projet. Combien de fois peut-on reprendre la même photo ? Pourtant, il faut  bien  reconnaître  que chacune d’entre elle est légèrement différente des autres et qu’il y a un charme réconfortant certain dans la reconduction perpétuelle de rites et la redécouverte d’une idée.

Installation et Interaction

Le projet est fait d’un triptyque de trois écrans carrés de 1080 p, disposés légèrement en trapèze afin de faciliter l’immersion dans l’espace-image.

Les visiteurs peuvent parcourir le plan à l’aide d’un appareil à écran tactile et de joysticks physiques. Des annotations manuscrites aident à identifier les zones principales sur le plan. Après quelques minutes d’inactivité, l’application se met en veille et rêve de Paris.

L’image affichée permet de zoomer aisément en avant et en arrière, entre la vue initiale du cloud de photos, globale et flou, à une grille d’images en plein-écran. Ces différentes échelles permettent à la fois de comprendre les structures d’amas et de voisinages en zoom arrière, et de fournir une image nette et efficace en zoom avant.

Sélectionducontenu et traitement des données

À partir d’un échantillon de 6,2 million de photos géo-localisées publiées sur les réseaux sociaux en 2017 à Paris, nous avons fait une sélection sur mesure de 25 000 photos qui forment la base de la carte interactive.

Cette sélection comporte :

• Une part de photos les plus likées (aimées) ;
• Une part d’échantillons spatiaux uniformes ;
• Environ une part d’amas sélectionnés manuellement ;
• Environ deux parts d’images les plus récentes prises sur les lieux les plus fréquentés.

Ces images ont été analysées à l’aide de réseaux de neurones artificiels, programmés pour la classification d’images (de tensorflow avec keras). J’ai employé des vecteurs de caractéristiques, habituellement prévus à des effets de classification, pour calculer les similarités entre les images par paires. La configuration du plan a été calculée à l’aide de t-SNE – un algorithme qui optimise la disposition 2D pour que les images similaires soient proches les unes des autres.

Stratégie de disposition visuelle

Relier la vue globale nébuleuse et la vue détaillée de la grille a été un défi très intéressant. Après plusieurs échecs, voici la solution que j’ai trouvée :

1. L’image en nuage de départ, en zoom arrière, montre les images aux coordonnées définies par le t-SNE. Nous avons rendu les images plus centrales aux amas locaux (ou techniquement parlant: qui avait les degrés de centralité les plus élevés dans un réseau k-voisins-plus proche) un peu plus grandes afin de mettre en avant les amas. L’image est légèrement retouchée en post-production: un filtre de flou intelligent Photoshop et quelques ajustements au contraste assurent une vision globale plus harmonieuse et une fonction zoom plus agréable.
2. La deuxième image, la grille d’images en plein-écran, place chaque photo sur un système de coordonnées rastérisé, au plus près de leurs coordonnées initiales. Dans cette configuration, certaines images sont relayées derrières d’autres; là encore, nous mettons en avant celles qui sont les plus centrales à la structure d’amas avoisinante. Cette image est légèrement floue afin d’éviter des clignotements au moment de zoomer ou de réaliser des mouvements panoramiques.
3. Finalement, la configuration pleinement zoomée de la grille d’images assigne toutes les images cachées dans la configuration précédente à la meilleure place restante, formant donc une grille quasi-complètement remplie.
4. Du fait de la forme ronde du cloud d’images initial, les coins des écrans étaient vides d’images. Nous avons donc itérativement remplie ces coins avec une image, tirée d’une autre fond de données, correspondant au mieux à cette place (c’est à dire l’image la plus similaire aux images voisines).

Cet ensemble de stratégies assure une réduction au maximum des changements de pixels entre différentes transitions, permettant ainsi un zoom fluide et régulier.

Visualisation sans données

En guise de remarque finale, j’ajouterai que mon intention a été non pas de mesurer la ville mais d’en dresser le portrait, avec des contenus de réseaux sociaux comme matière première. Plutôt qu’une approche statistique, le projet offre une stimulante composition de contenu qualitatif, prête à être explorée et interprétée – composition sciemment préparée et prédisposée mais pas pré-interprétée.

En même temps, les données ont joué un rôle crucial dans l’agencement des contenus de façon à ce qu’ils puissent être assimilés par les humains. Comment sinon ferait-on pour parcourir et rassembler des centaines de milliers d’images en un ensemble cohérent ?

Les données ont ainsi servi de véhicule dans la conception et l’expérience du projet sans en être ni l’objet ni le but de l’expérience de visualisation.

L’interaction entre l’analyse automatique, l’inspection des résultats – c’est à dire, ce que suggère et conclut la machine – et mes propres actions (en termes de configuration, sélection de contenus, réglages…) a été quelque chose de passionnant à explorer.

La présence des annotations manuscrites sur la carte est comme un clin d’œil à mon intervention en tant qu’acteur et créateur subjectif de sens.

Le rendu final est le résultat des dialogues tenus entre la ville et moi, entre les contenus visuels et les algorithmes, qui ont été pour moi une source d’étonnement et d’inspiration tout au long du processus.

Multiplicity est une œuvre commandée par la Fondation EDF, Paris à l’occasion de l’exposition 123 data.

Multiplicity fait partie d’une série de recherches menées par Moritz Stefaner sur les images numériques des villes du monde :

Stadtbilder explore les différentes strates numériques d’une ville, au-delà de l’infrastructure physique.

Selfiecity se penche sur le phénomène du selfie et vise, entre autres, à identifier des styles uniques d’autoportraits photographiques à travers différentes villes.

On Broadway commence avec une seule rue, et empile toutes sortes de données quantitatives et qualitatives les unes sur les autres.