Kas notiek, kad uz putniem tiek izmantota sejas atpazīšana? Zinātne izskaidro

Kā birderis es biju dzirdējis, ka, ja jūs uzmanīgi pievērsīsieties galvas spalvas uz pūkains dīgļiem, kas apmeklēja jūsu putnu barotavas, jūs varētu sākt atpazīt atsevišķus putnus. Tas mani interesēja. Es pat devos tik tālu, lai mēģinātu ieskicēt putnus savās barotnēs un atradu to patiesu līdz pat punktam.

Pa to laiku manā darbā kā datorzinātniekam es zināju, ka citi pētnieki ir izmantojuši mašīnmācības metodes, lai ar augstu precizitāti atpazītu atsevišķas sejas digitālajos attēlos.

Šie projekti man domāja par veidiem, kā apvienot savu hobiju ar manu dienas darbu. Vai būtu iespējams piemērot šīs metodes, lai identificētu atsevišķus putnus?

Tātad, es izveidoju rīku, lai savāktu datus: veids, ko dod putnu barotava un kam ir aktivizēta kamera. Es izveidoju savu monitoringa staciju savā piepilsētas Virdžīnijas pagalmā un gaidīju, lai putni parādītos.

Attēlu klasifikācija

Attēlu klasifikācija ir karsts temats tehnoloģiju pasaulē. Lielākie uzņēmumi, piemēram, Facebook, Apple un Google, aktīvi pēta šo problēmu, lai sniegtu tādus pakalpojumus kā vizuālā meklēšana, draugu automātiskā iezīmēšana sociālo mediju ziņās un spēja izmantot savu seju, lai atbloķētu savu mobilo tālruni. Arī tiesībaizsardzības iestādes ir ļoti ieinteresētas, galvenokārt, lai atpazītu sejas digitālajos attēlos.

Kad es sāku strādāt ar saviem studentiem šajā projektā, attēlu klasifikācijas pētījumi koncentrējās uz tehniku, kas aplūkoja tādas attēla funkcijas kā malas, stūri un līdzīgas krāsas laukumi. Bieži vien tie ir gabali, kurus var salikt kādā atpazīstamā objektā. Šīs pieejas bija aptuveni 70 procenti precīzas, izmantojot salīdzinošās datu kopas ar simtiem kategoriju un desmitiem tūkstošu apmācību piemēru.

Nesenie pētījumi ir novirzījušies uz mākslīgo neironu tīklu izmantošanu, kas identificē savas īpašības, kas ir visnoderīgākās precīzai klasifikācijai. Neironu tīkli tiek modelēti ļoti brīvi, pamatojoties uz komunikāciju starp neironiem cilvēka smadzenēs. Konvolucionālie neironu tīkli, veids, ko mēs tagad izmantojam savā darbā ar putniem, tiek modificēti tādā veidā, kas veidots uz vizuālās garozas. Tas padara tos īpaši piemērotus attēlu klasifikācijas problēmām.

Daži citi pētnieki jau ir izmēģinājuši līdzīgas metodes ar dzīvniekiem. Daļēji mani iedvesmoja datorzinātnieks Andrea Danyluk no Williams koledžas, kurš ir izmantojis mašīnu mācīšanos, lai identificētu atsevišķus plankumainos salamandrus. Tas darbojas, jo katram salamandram ir atšķirīgs plankumu modelis.

Putnu ID progress

Lai gan maniem studentiem un man nebija gandrīz tikpat daudz attēlu, lai strādātu kopā ar lielāko daļu citu pētnieku un uzņēmumu, mums bija priekšrocība dažiem ierobežojumiem, kas varētu palielināt mūsu klasifikatora precizitāti.

Visi mūsu attēli tika ņemti no tās pašas perspektīvas, tiem bija tāds pats mērogs un iekrita ierobežotā skaitā kategoriju. Viss teica, ka tikai aptuveni 15 sugas manā apgabalā apmeklēja barību. No tiem tikai 10 apmeklēja pietiekami bieži, lai nodrošinātu noderīgu pamatu klasifikatora apmācībai.

Ierobežotais attēlu skaits bija skaidrs trūkums, bet nelielais kategoriju skaits strādāja mūsu labā. Kad nāca atklāt, vai attēlā esošais putns bija chickadee, Karolīnas ērkšķis, kardināls vai kaut kas cits, agrs projekts, kas balstīts uz sejas atpazīšanas algoritmu, sasniedza aptuveni 85% precizitāti - pietiekami labs, lai mūs interesē problēma.

Putnu identificēšana attēlos ir piemērs “smalkgraudainas klasifikācijas” uzdevumam, kas nozīmē, ka algoritms mēģina diskriminēt objektus, kas ir tikai nedaudz atšķirīgi viens no otra. Daudzi putni, kas parādās barotnēs, ir aptuveni tādā pašā formā, piemēram, tā kā atšķirības starp vienu sugu un otru var būt diezgan sarežģītas, pat pieredzējušiem cilvēku novērotājiem.

Izaicinājums ir tikai tad, kad mēģināt identificēt personas. Vairumam sugu tas vienkārši nav iespējams. Mani interesējošām dzenēm ir stipra rakstura spalvas, taču tās joprojām lielā mērā ir līdzīgas no indivīda.

Tātad, viens no mūsu lielākajiem izaicinājumiem bija cilvēku uzdevums marķēt datus, lai apmācītu mūsu klasifikatoru. Es atklāju, ka dīvainu dzeņu galvas spalvas nebija uzticams veids, kā atšķirt indivīdus, jo šīs spalvas pārvietojas daudz. Putni tos izmanto, lai izteiktu kairinājumu vai trauksmi. Tomēr plankumu paraugi uz salocītajiem spārniem ir konsekventāki un, šķiet, darbojas tikai labi, lai pateiktu vienu no otra. Šīs spārnu spalvas gandrīz vienmēr bija redzamas mūsu attēlos, bet galvas modeļus varēja aizēnot atkarībā no putna galvas leņķa.

Galu galā mums bija 2450 attēli no astoņiem dažādiem dzenēm. Kad tika atklātas atsevišķas dzenis, mūsu eksperimenti sasniedza 97% precizitāti. Tomēr šim rezultātam ir nepieciešama turpmāka pārbaude.

Kā tas var palīdzēt putniem?

Ornitologiem ir vajadzīgi precīzi dati par to, kā putnu populācijas laika gaitā mainās. Tā kā daudzas sugas ir ļoti specifiskas savās dzīvotņu vajadzībās, kad runa ir par audzēšanu, ziemošanu un migrāciju, smalkgraudaini dati varētu būt noderīgi, domājot par mainīgas ainavas ietekmi. Dati par atsevišķām sugām, piemēram, pļāpām, var tikt pielīdzinātas citai informācijai, piemēram, zemes izmantošanas kartēm, laika apstākļiem, cilvēku populācijas pieaugumam utt., Lai labāk izprastu vietējo sugu pārpilnību laika gaitā.

Es uzskatu, ka pusautomātiska monitoringa stacija ir sasniedzama ar nelielām izmaksām. Mana monitoringa stacija maksā aptuveni 500 ASV dolāru. Nesenie pētījumi liecina, ka vajadzētu būt iespējai klasificēt klasifikatoru, izmantojot daudz plašāku attēlu grupu, pēc tam to ātri un precīzi noregulēt, lai saprastu atsevišķus putnus.

Projekti, piemēram, Ornitoloģijas Ornitoloģijas laboratorija, ir izveidojuši nelielu pilsoņu zinātnieku armiju, lai uzraudzītu iedzīvotāju dinamiku, bet lielākā daļa šo datu parasti ir no vietām, kur ir daudz cilvēku, nevis no vietām, kas īpaši interesē zinātniekus.

Automātiska monitoringa stacijas pieeja varētu nodrošināt spēka reizinātāju savvaļas bioloģiem, kas nodarbojas ar konkrētām sugām vai konkrētām vietām. Tas paplašinātu to spēju apkopot datus ar minimālu cilvēka iejaukšanos.

Šis raksts sākotnēji tika publicēts Lewis Barnett sarunā. Lasiet oriģinālo rakstu šeit.