Što se događa kada se prepoznavanje lica koristi za ptice? Znanost objašnjava

Kao birder, čuo sam da, ako ste obraćali pažnju na pero glave na lomastim djetlićima koji su posjetili hranilice za ptice, mogli biste početi prepoznati pojedine ptice. To me zaintrigiralo. Čak sam otišao tako daleko da sam pokušao skicirati ptice na vlastitim hranilicama i otkrio da je to istina, do određene točke.

U međuvremenu, u mojim danima kao računalni znanstvenik, znao sam da su drugi istraživači koristili tehnike strojnog učenja kako bi prepoznali pojedinačna lica u digitalnim slikama s visokim stupnjem točnosti.

Ovi projekti su me naveli na razmišljanje o tome kako kombinirati svoj hobi sa svojim dnevnim poslom. Bi li bilo moguće primijeniti te tehnike za identifikaciju pojedinih ptica?

Dakle, izgradio sam alat za prikupljanje podataka: vrsta hranilice za ptice koju preferiraju djetli i kamera aktivirana pokretom. Postavio sam svoju stanicu za praćenje u dvorište u predgrađu Virginije i čekao da se ptice pojave.

Klasifikacija slike

Klasifikacija slika je vruća tema u svijetu tehnologije. Velike tvrtke poput Facebooka, Applea i Googlea aktivno istražuju ovaj problem kako bi pružile usluge poput vizualnog pretraživanja, automatskog označavanja prijatelja u društvenim medijima i mogućnosti korištenja vašeg lica za otključavanje vašeg mobilnog telefona. I agencije za provedbu zakona vrlo su zainteresirane, prvenstveno da prepoznaju lica u digitalnim slikama.

Kada sam počeo raditi sa svojim studentima na ovom projektu, istraživanje klasifikacije slika usmjerilo se na tehniku ​​koja je gledala na značajke slike kao što su rubovi, uglovi i područja slične boje. To su često dijelovi koji se mogu spojiti u neki prepoznatljivi objekt. Ti su pristupi bili točni za oko 70 posto, koristeći skupove podataka o mjerilima sa stotinama kategorija i desecima tisuća primjera obuke.

Najnovija istraživanja pomaknula su se prema korištenju umjetnih neuronskih mreža, koje identificiraju vlastite značajke koje se dokazuju kao najkorisnije za točnu klasifikaciju. Neuronske mreže su vrlo labavo modelirane na obrascima komunikacije među neuronima u ljudskom mozgu. Konvolutivne neuronske mreže, tip koji sada koristimo u radu s pticama, modificiraju se na način koji je modeliran na vizualnom korteksu. To ih čini posebno prikladnim za probleme s razvrstavanjem slika.

Neki drugi istraživači već su pokušali slične tehnike na životinjama. Nadahnulo me dijelom i računalni znanstvenik Andrea Danyluk iz koledža Williams, koji je koristio strojno učenje kako bi identificirao pojedinačne salamandere. To djeluje jer svaki salamander ima prepoznatljiv uzorak mrlja.

Napredak u identifikaciji ptica

Dok moji učenici i ja nismo imali gotovo toliko slika za rad kao većina drugih istraživača i tvrtki, imali smo prednost od nekih ograničenja koja bi mogla povećati točnost našeg klasifikatora.

Sve naše slike snimljene su iz iste perspektive, iste su ljestvice i spadale u ograničen broj kategorija. Sve u svemu, samo je oko 15 vrsta posjetilo hranilicu u mom području. Od njih je samo 10 posjetilo dovoljno često da pruži korisnu osnovu za obuku klasifikatora.

Ograničeni broj slika bio je definitivno hendikep, ali je mali broj kategorija radio u našu korist. Kada je došlo do prepoznavanja je li ptica na slici chickadee, karolina wren, kardinal ili nešto drugo, rani projekt koji se temelji na algoritmu prepoznavanja lica postigao je točnost od oko 85 posto - dovoljno dobro da nas zanima problem.

Identificiranje ptica u slikama primjer je zadatka "fine grained", što znači da algoritam pokušava razlikovati objekte koji se samo malo razlikuju. Mnoge ptice koje se pojavljuju u hranilicama su otprilike istog oblika, na primjer, govoreći razliku između jedne vrste i druge, to može biti vrlo izazovno, čak i za iskusne ljudske promatrače.

Izazov se samo povećava kada pokušavate identificirati pojedince. Za većinu vrsta to jednostavno nije moguće. Djetlići koje sam zanimao imaju snažno uzorkom perje, ali su još uvijek u velikoj mjeri slični od pojedinca do pojedinca.

Dakle, jedan od naših najvećih izazova bio je ljudski zadatak označavanja podataka za obuku našeg klasifikatora. Otkrio sam da perje glave čupavih djetlića nije bio pouzdan način za razlikovanje pojedinaca, jer se ta pera mnogo kreću. Ptice ih koriste za izražavanje iritacije ili alarma. Međutim, uzorci mrlja na preklopljenim krilima su konzistentniji i izgledali su kao da dobro funkcioniraju. Ta pera krila bila su gotovo uvijek vidljiva na našim slikama, dok bi uzorci glave mogli biti zaklonjeni ovisno o kutu ptičje glave.

Na kraju smo imali 2450 slika osam različitih djetlića. Kada je riječ o identificiranju pojedinih djetlića, naši eksperimenti su postigli 97-postotnu točnost. Međutim, taj rezultat treba dodatno provjeriti.

Kako ovo može pomoći pticama?

Ornitolozi trebaju točne podatke o tome kako se populacije ptica mijenjaju tijekom vremena. Budući da su mnoge vrste vrlo specifične u svojim staništima kada je riječ o uzgoju, zimovanju i migraciji, finozrnati podaci mogu biti korisni za razmišljanje o učincima promjene krajobraza. Podaci o pojedinim vrstama kao što su djetlići djetlići mogli bi se usporediti s drugim informacijama, kao što su zemljovidi korištenja zemlje, vremenski obrasci, rast ljudske populacije i tako dalje, kako bi se bolje razumjelo obilje lokalnih vrsta tijekom vremena.

Vjerujem da je poluautomatska stanica za nadgledanje u dosegu skromnih troškova. Moja stanica za praćenje je koštala oko 500 USD. Nedavne studije upućuju na to da bi trebalo biti moguće trenirati klasifikatora koristeći mnogo širu skupinu slika, zatim ih brzo prilagoditi i uz razumne računske zahtjeve prepoznati pojedine ptice.

Projekti kao što je eBird Cornell Laboratory of Ornithology postavili su malu vojsku znanstvenika građana na teren za praćenje dinamike populacije, ali većina tih podataka ima tendenciju biti na mjestima gdje su ljudi brojni, a ne na mjestima od posebnog interesa za znanstvenike.

Pristup automatske stanice za praćenje mogao bi pružiti multiplikator sile za biologe koji se bave određenim vrstama ili specifičnim lokacijama. To bi proširilo njihovu sposobnost prikupljanja podataka uz minimalnu ljudsku intervenciju.

Ovaj članak je izvorno objavljen na razgovoru Lewisa Barnetta. Pročitajte izvorni članak ovdje.