Nous explorons différentes approches hiérarchiques de transfert d’apprentissage d’un réseau antagoniste génératif StyleGAN2 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.