Ce se întâmplă când recunoașterea facială este utilizată la păsări? Știința explică

În timp ce bătuam, am auzit că, dacă ați acordat o atenție deosebită penei capului de pe ciocănitoarele pufoase care v-au vizitat hrănitorii de păsări, ați putea începe să recunoașteți păsările individuale. Acest lucru ma intrigat. Chiar m-am dus atât de mult încât să încerc să schițez păsările de la propria mea hrănire și am găsit că este adevărat, până la un punct.

Între timp, în munca mea de zi cu zi ca om de știință în domeniul informaticii, știam că alți cercetători au folosit tehnici de învățare a mașinilor pentru a recunoaște chipurile individuale în imagini digitale cu un grad înalt de precizie.

Aceste proiecte m-au gândit la modalități de a-mi combina hobby-ul cu munca mea de zi. Ar fi posibil să se aplice aceste tehnici pentru a identifica păsările individuale?

Așadar, am construit un instrument pentru a colecta date: un tip de alimentator de păsări favorizat de ciocănitoare și o cameră cu mișcare activată. Am înființat postul meu de monitorizare în curtea mea suburbană Virginia și am așteptat ca păsările să apară.

Clasificarea imaginilor

Clasificarea imaginilor este un subiect fierbinte în lumea tehnologică. Companiile majore cum ar fi Facebook, Apple și Google cercetează în mod activ această problemă pentru a oferi servicii cum ar fi căutarea vizuală, etichetarea automată a prietenilor în postările de social media și abilitatea de a utiliza fața pentru a vă debloca telefonul mobil. Agențiile de aplicare a legii sunt foarte interesate, în primul rând pentru a recunoaște chipurile în imaginile digitale.

Când am început să lucrez cu studenții mei la acest proiect, cercetarea de clasificare a imaginilor sa concentrat asupra unei tehnici care se uita la caracteristicile imaginii, cum ar fi marginile, colțurile și zonele de culoare similară. Acestea sunt adesea piese care ar putea fi asamblate în obiect recunoscut. Aceste abordări au fost exacte cu aproximativ 70%, utilizând seturi de date de referință cu sute de categorii și zeci de mii de exemple de formare.

Cercetările recente s-au îndreptat către utilizarea rețelelor neuronale artificiale, care identifică propriile caracteristici care se dovedesc a fi cele mai utile pentru clasificarea corectă. Rețelele neuronale sunt modelate foarte slab pe tiparele de comunicare dintre neuroni din creierul uman. Conceptele rețelelor neuronale convoluționale, tipul pe care îl folosim acum în lucrul cu păsările, sunt modificate în moduri care au fost modelate pe cortexul vizual. Acest lucru le face deosebit de potrivite pentru problemele de clasificare a imaginilor.

Unii alți cercetători au încercat deja tehnici similare pe animale. Am fost inspirat în parte de omul de știință de calculator Andrea Danyluk de la Colegiul Williams, care a folosit învățarea mașinilor pentru a identifica salamanderii individuali reperați. Aceasta funcționează deoarece fiecare salamandru are un model distinct de pete.

Progrese privind ID-ul Bird

În timp ce studenții noștri și cu mine nu aveam aproape la fel de multe imagini cu care să lucrăm ca majoritatea celorlalți cercetători și companii, am avut avantajul unor constrângeri care ar putea spori acuratețea clasificatorului nostru.

Toate imaginile noastre au fost preluate din aceeași perspectivă, au aceeași dimensiune și au căzut într-un număr limitat de categorii. Totul a spus că doar aproximativ 15 de specii au vizitat vreodată feed-ul din zona mea. Dintre aceștia, doar 10 au vizitat adesea suficient pentru a oferi o bază utilă pentru formarea unui clasificator.

Numărul limitat de imagini a fost un handicap clar, dar numărul mic de categorii a lucrat în favoarea noastră. Când a venit să recunoaștem dacă pasărea dintr-o imagine era o chickadee, o carolină Carolina, un cardinal sau altceva, un proiect timpuriu bazat pe un algoritm de recunoaștere facială a atins o precizie de aproximativ 85% - suficient de bun încât să ne țină interesați de problemă.

Identificarea păsărilor în imagini este un exemplu de sarcină "de clasificare fină", ​​ceea ce înseamnă că algoritmul încearcă să discrimineze între obiecte care sunt doar puțin diferite unul de celălalt. Multe păsări care apar la hrana animalelor sunt aproape de aceeași formă, de exemplu, spunând astfel că diferența dintre o specie și alta poate fi destul de dificilă, chiar și pentru observatorii umani cu experiență.

Provocarea se amplifică numai când încercați să identificați indivizii. Pentru cele mai multe specii, pur și simplu nu este posibil. Ciocăneții de pe care mi-a fost interesat au modelat puternic penajul, dar sunt încă în mare măsură asemănători de la individ la individ.

Așadar, una dintre cele mai mari provocări ale noastre a fost sarcina umană de a eticheta datele pentru a instrui clasificatorul nostru. Am constatat că pene de cap de ciocănitoare nu erau o modalitate sigură de a distinge între indivizi, deoarece acele pene se mișcă foarte mult. Sunt folosite de păsări pentru a-și exprima iritarea sau alarma. Cu toate acestea, tiparele de pete pe aripile pliate sunt mai consecvente și păreau să funcționeze foarte bine pentru a le spune unul de altul. Aceste pene de aripă au fost aproape întotdeauna vizibile în imaginile noastre, în timp ce modelele capului ar putea fi ascunse în funcție de unghiul capului păsării.

În cele din urmă, aveam 2,450 de fotografii de opt ciocănitoare diferite. Când a fost vorba despre identificarea ciocănitoarelor individuale, experimentele noastre au obținut 97% precizie. Totuși, acest rezultat necesită o verificare suplimentară.

Cum pot ajuta păsările?

Ornitologii au nevoie de date precise privind modul în care populațiile de păsări se schimbă în timp. Având în vedere că multe specii sunt foarte specifice în ceea ce privește nevoile de habitat atunci când vine vorba de creșterea, iernarea și migrația, datele cu granulație fină ar putea fi utile pentru a se gândi la efectele unui peisaj în schimbare. Datele privind speciile individuale cum ar fi ciocănitoarele downy ar putea fi comparate cu alte informații, cum ar fi hărțile de utilizare a terenului, modelele meteorologice, creșterea populației umane și așa mai departe, pentru a înțelege mai bine abundența unei specii locale în timp.

Cred că o stație de monitorizare semiautomată este accesibilă la un cost modest. Stația mea de monitorizare costă în jur de 500 USD. Studiile recente sugerează că ar trebui să fie posibilă instruirea unui clasificator utilizând un grup mult mai larg de imagini, apoi finisarea rapidă a acestuia și cerințele computaționale rezonabile pentru recunoașterea păsărilor individuale.

Proiectele precum Laboratorul Cornell de eBird al Ornitologiei au pus o mică armată de oameni de știință cetățeni pe teren pentru monitorizarea dinamicii populației, dar cea mai mare parte a acestor date tinde să fie din locurile în care oamenii sunt numeroși, nu din locații de interes special pentru oamenii de știință.

O abordare automatizată a stației de monitorizare ar putea oferi un multiplicator de forță pentru biologi din domeniul faunei sălbatice care se ocupă de specii specifice sau locații specifice. Aceasta ar lărgi capacitatea acestora de a aduna date cu o intervenție minimă la om.

Acest articol a fost publicat inițial în The Conversation de Lewis Barnett. Citiți articolul original aici.