Шта се догађа када се препознавање лица користи за птице? Сциенце Екплаинс

Као бирдер, чуо сам да ако сте пажљиво обраћали пажњу на перо главе на ломљеним дјетлићима који су посећивали хранилице за птице, могли бисте почети да препознајете поједине птице. То ме је заинтригирало. Чак сам ишао тако далеко да сам покушао да скицирам птице у својим хранилицама и то је до неке тачке било истина.

У међувремену, у мом дану као компјутерски научник, знао сам да су други истраживачи користили технике машинског учења да препознају појединачна лица у дигиталним сликама са високим степеном тачности.

Ови пројекти су ме навели да размишљам о начинима да комбинујем свој хоби са мојим дневним послом. Да ли би било могуће применити те технике за идентификацију појединачних птица?

Тако сам изградио алат за прикупљање података: тип хранилице за птице коју преферирају дјетли и камера активирана покретом. Поставио сам своју станицу за мониторинг у свом предграђу у Виргинији и чекао да се птице појаве.

Имаге Цлассифицатион

Класификација слика је врућа тема у свијету технологије. Велике компаније као што су Фацебоок, Аппле и Гоогле активно истражују овај проблем како би пружиле услуге као што су визуална претрага, аутоматско означавање пријатеља у друштвеним медијима и могућност кориштења вашег лица за откључавање вашег мобилног телефона. И агенције за спровођење закона су веома заинтересоване, првенствено да препознају лица у дигиталним сликама.

Када сам почео да радим са својим студентима на овом пројекту, истраживање класификације слика је било усмерено на технику која је посматрала слике као што су ивице, углови и области сличне боје. То су често делови који се могу саставити у неки препознатљиви објекат. Ови приступи су били точни за око 70%, користећи скупове података о бенчмарку са стотинама категорија и десетинама хиљада примјера обуке.

Недавна истраживања су се померила ка употреби вештачких неуронских мрежа, које идентификују сопствене карактеристике које се доказују као најкорисније за тачну класификацију. Неуронске мреже су веома лабаво моделиране на обрасцима комуникације међу неуронима у људском мозгу. Конволутивне неуронске мреже, тип који сада користимо у раду са птицама, модификујемо на начин који је моделиран на визуелном кортексу. То их чини посебно погодним за проблеме класификације слика.

Неки други истраживачи су већ пробали сличне технике на животињама. Делимично ме је инспирисао компјутерски научник Андреа Данилук са колеџа Виллиамс, који је користио машинско учење да би идентификовао појединачне уочене саламандре. Ово функционише јер сваки саламандер има препознатљив узорак мрља.

Напредак на Бирд ИД

Док моји ученици и ја нисмо имали скоро толико слика за рад као већина других истраживача и компанија, имали смо предност од неких ограничења која би могла повећати нашу прецизност класификатора.

Све наше слике су преузете из исте перспективе, исте величине и упале у ограничен број категорија. Све у свему, само је око 15 врста посетило хранилицу у мом подручју. Од њих, само 10 их је посећивало довољно често да би пружило корисну основу за обуку класификатора.

Ограничен број слика био је дефинитивно хендикеп, али је мали број категорија радио у нашу корист. Када је дошло до препознавања да ли је птица на слици била цхицкадее, Царолина врен, кардинал или нешто друго, рани пројекат заснован на алгоритму препознавања лица постигао је тачност од око 85% - довољно добар да нас занима проблем.

Идентификовање птица у сликама је пример задатка "фино зрнате класификације", што значи да алгоритам покушава да разликује предмете који се само мало разликују. Многе птице које се појављују у хранилицама су приближно истог облика, на пример, тако да говорећи разлику између једне врсте и друге могу бити прилично изазовне, чак и за искусне људске посматраче.

Изазов се само повећава када покушате да идентификујете појединце. За већину врста, то једноставно није могуће. Дјетлићи за које сам био заинтересован имају снажно узорком перје, али су још увијек у великој мјери слични од појединца до појединца.

Дакле, један од наших највећих изазова био је људски задатак означавања података за обуку нашег класификатора. Открио сам да перје главе дјетлића није поуздан начин да се направи разлика између појединаца, јер се та пера много крећу. Птице користе за изражавање иритације или аларма. Међутим, обрасци тачака на преклопљеним крилима су конзистентнији и изгледали су као да добро функционишу да би се испричали једни од других. Та перја крила била су скоро увек видљива на нашим сликама, док би узорци главе могли бити заклоњени у зависности од угла птичје главе.

На крају смо имали 2450 слика осам различитих дјетлића. Када је реч о идентификацији појединачних детлића, наши експерименти су постигли 97 процената тачности. Међутим, тај резултат треба додатно верификовати.

Како ово може помоћи птицама?

Орнитолози требају тачне податке о томе како се популације птица мијењају током времена. Пошто су многе врсте веома специфичне у својим стаништима када је у питању оплемењивање, зимовање и миграција, фини подаци могу бити корисни за размишљање о ефектима промењеног пејзажа. Подаци о појединим врстама као што су дјетлићи дјетлићи могли би да се упореде са другим информацијама, као што су карте коришћења земљишта, временски обрасци, раст људске популације и тако даље, како би се боље разумело обиље локалних врста током времена.

Вјерујем да је полуаутоматска станица за праћење у досегу са скромним трошковима. Моја станица за мониторинг је коштала око 500 УСД. Недавне студије указују на то да би требало бити могуће обучити класификатора користећи много ширу групу слика, а затим га брзо прилагодити и са разумним захтевима рачунања препознати поједине птице.

Пројекти као што је еБирд Корнелове лабораторије за орнитологију ставили су на терен малу војску грађана за праћење динамике популације, али већина тих података има тенденцију да буде са локација гдје су људи бројни, а не са локација од посебног интереса за научнике.

Приступ аутоматизоване станице за праћење може обезбедити мултипликатор силе за биологе који се баве одређеним врстама или специфичним локацијама. То би проширило њихову способност прикупљања података уз минималну људску интервенцију.

Овај чланак је првобитно објављен на конверзацији Левиса Барнетта. Прочитајте оригинални чланак овде.