Co się dzieje, gdy rozpoznawanie twarzy jest używane na ptakach? Nauka wyjaśnia

Jako birder słyszałem, że jeśli zwrócisz szczególną uwagę na pióra głowy na puchatych dzięciołach, które odwiedzały twoje karmniki, możesz zacząć rozpoznawać pojedyncze ptaki. To mnie zaintrygowało. Posunąłem się nawet do tego, że próbowałem szkicować ptaki w moich własnych karmnikach i stwierdziłem, że to prawda, do pewnego stopnia.

W międzyczasie, pracując jako informatyk, wiedziałem, że inni badacze wykorzystali techniki uczenia maszynowego do rozpoznawania pojedynczych twarzy na obrazach cyfrowych z dużą dokładnością.

Te projekty skłoniły mnie do zastanowienia się, jak połączyć moje hobby z pracą dzienną. Czy byłoby możliwe zastosowanie tych technik do identyfikacji poszczególnych ptaków?

Zbudowałem więc narzędzie do zbierania danych: rodzaj karmnika dla ptaków preferowany przez dzięcioły i kamerę aktywowaną ruchem. Ustawiłem moją stację monitorującą na moim podmiejskim podwórku Virginia i zaczekałem, aż pojawią się ptaki.

Klasyfikacja obrazu

Klasyfikacja obrazów to gorący temat w świecie technologii. Główne firmy, takie jak Facebook, Apple i Google, aktywnie badają ten problem, aby świadczyć usługi takie jak wyszukiwanie wizualne, automatyczne tagowanie znajomych w postach w mediach społecznościowych oraz możliwość używania twarzy do odblokowania telefonu komórkowego. Organy ścigania są również bardzo zainteresowane, przede wszystkim do rozpoznawania twarzy w obrazach cyfrowych.

Kiedy zacząłem pracować z moimi uczniami nad tym projektem, badania nad klasyfikacją obrazów koncentrowały się na technice, która przyglądała się cechom obrazu, takim jak krawędzie, narożniki i obszary o podobnym kolorze. Są to często elementy, które mogą zostać połączone w jakiś rozpoznawalny obiekt. Podejścia te były dokładne w około 70 procentach, wykorzystując zestawy danych porównawczych z setkami kategorii i dziesiątkami tysięcy przykładów szkoleń.

Ostatnie badania przesunęły się w kierunku wykorzystania sztucznych sieci neuronowych, które identyfikują własne cechy, które okazują się najbardziej przydatne do dokładnej klasyfikacji. Sieci neuronowe są modelowane bardzo luźno na wzorach komunikacji między neuronami w ludzkim mózgu. Konwolucyjne sieci neuronowe, których obecnie używamy w naszej pracy z ptakami, są modyfikowane w sposób wzorowany na korze wzrokowej. To sprawia, że ​​szczególnie dobrze nadają się do problemów z klasyfikacją obrazów.

Inni badacze próbowali już podobnych technik na zwierzętach. Zainspirował mnie częściowo informatyk Andrea Danyluk z Williams College, który wykorzystał uczenie maszynowe do identyfikacji pojedynczych plamistych plam. Działa to, ponieważ każda salamandra ma charakterystyczny wzór plam.

Postęp w identyfikatorze ptaków

Podczas gdy moi studenci i ja nie mieliśmy prawie tyle zdjęć, z którymi moglibyśmy pracować, jak większość innych badaczy i firm, mieliśmy przewagę niektórych ograniczeń, które mogą zwiększyć dokładność naszego klasyfikatora.

Wszystkie nasze zdjęcia zostały zrobione z tej samej perspektywy, miały taką samą skalę i mieściły się w ograniczonej liczbie kategorii. W sumie tylko 15 gatunków odwiedziło dozownik w mojej okolicy. Spośród nich tylko 10 odwiedziło wystarczająco często, aby zapewnić użyteczną podstawę do szkolenia klasyfikatora.

Ograniczona liczba zdjęć była wyraźnym utrudnieniem, ale niewielka liczba kategorii działała na naszą korzyść. Kiedy przyszło do rozpoznania, czy ptak na obrazku jest kurczakiem, strzyżykiem Karoliny, kardynałem czy kimś innym, wczesny projekt oparty na algorytmie rozpoznawania twarzy osiągnął około 85 procent dokładności - wystarczająco dobry, aby nas zainteresować tym problemem.

Identyfikacja ptaków na obrazach jest przykładem zadania „drobnoziarnistej klasyfikacji”, co oznacza, że ​​algorytm próbuje rozróżniać obiekty, które tylko nieznacznie się od siebie różnią. Wiele ptaków, które pojawiają się na karmnikach, ma na przykład mniej więcej taki sam kształt, więc mówienie o różnicy między jednym gatunkiem a innym może być dość trudne, nawet dla doświadczonych ludzkich obserwatorów.

Wyzwanie narasta tylko wtedy, gdy próbujesz zidentyfikować osoby. Dla większości gatunków po prostu nie jest to możliwe. Dzięcioły, które mnie interesowały, mają mocno wzorzyste upierzenie, ale nadal są w dużej mierze podobne od indywidualnych do indywidualnych.

Jednym z naszych największych wyzwań było ludzkie zadanie etykietowania danych w celu szkolenia naszego klasyfikatora. Odkryłem, że pióra głowy dzięciołów puchatych nie były niezawodnym sposobem na rozróżnienie osób, ponieważ te pióra poruszają się bardzo często. Są używane przez ptaki do wyrażania irytacji lub alarmu. Jednak wzory plam na złożonych skrzydłach są bardziej spójne i wydawały się działać dobrze, aby powiedzieć jedno drugiemu. Te pióra skrzydeł były prawie zawsze widoczne na naszych zdjęciach, podczas gdy wzory głowy mogły być zasłonięte w zależności od kąta głowy ptaka.

W końcu mieliśmy 2450 zdjęć ośmiu różnych dzięciołów. W przypadku identyfikacji poszczególnych dzięciołów nasze eksperymenty osiągnęły 97-procentową dokładność. Wynik ten wymaga jednak dalszej weryfikacji.

Jak to może pomóc ptakom?

Ornitolodzy potrzebują dokładnych danych na temat zmian populacji ptaków w czasie. Ponieważ wiele gatunków jest bardzo specyficznych pod względem potrzeb siedliskowych, jeśli chodzi o rozmnażanie, zimowanie i migrację, dane szczegółowe mogą być przydatne do myślenia o skutkach zmieniającego się krajobrazu. Dane dotyczące poszczególnych gatunków, takich jak dzięcioły puchate, można następnie dopasować do innych informacji, takich jak mapy użytkowania gruntów, wzorce pogody, wzrost populacji ludzkiej itd., Aby lepiej zrozumieć obfitość lokalnego gatunku w czasie.

Uważam, że półautomatyczna stacja monitorująca znajduje się w zasięgu przy niewielkich kosztach. Moja stacja monitorująca kosztuje około 500 USD. Ostatnie badania sugerują, że powinno być możliwe wyszkolenie klasyfikatora przy użyciu znacznie szerszej grupy obrazów, a następnie precyzyjne dostrojenie go i przy rozsądnych wymaganiach obliczeniowych, aby rozpoznać poszczególne ptaki.

Projekty takie jak eBird Cornell Laboratory of Ornithology stawiają małą armię obywatelskich naukowców na miejscu do monitorowania dynamiki populacji, ale większość tych danych pochodzi z miejsc, w których ludzie są liczni, a nie z miejsc o szczególnym znaczeniu dla naukowców.

Zautomatyzowane podejście do stacji monitorującej może zapewnić mnożnik siły dla biologów zajmujących się dziką przyrodą, zajmujących się określonymi gatunkami lub konkretnymi lokalizacjami. Poszerzyłoby to ich zdolność do gromadzenia danych przy minimalnej interwencji człowieka.

Ten artykuł został pierwotnie opublikowany w The Conversation przez Lewisa Barnetta. Przeczytaj oryginalny artykuł tutaj.