Какво се случва, когато се използва признаването на лицето при птиците? Науката обяснява

Като пияница бях чувал, че ако внимателно обръщате внимание на перото от главата на пухкавите кълвачи, които са посещавали птиците ви, можете да започнете да разпознавате отделни птици. Това ме заинтригува. Дори стигнах дотам, че да опитам да скицирам птици в собствените си хранилки и открих, че това е истина, до някаква степен.

В същото време, в дневната си работа като компютърен учен, знаех, че други изследователи са използвали техники за машинно обучение, за да разпознават отделни лица в цифрови изображения с висока степен на точност.

Тези проекти ме накараха да мисля за начините да комбинирам хобито си с дневната си работа. Възможно ли е да се прилагат тези техники за идентифициране на отделни птици?

Така че, създадох инструмент за събиране на данни: тип хранилка за птици, облагодетелствана от кълвачи и камера с активирано движение. Направих моята станция за наблюдение в предградието на Вирджиния и изчаках птиците да се появят.

Класификация на изображението

Класификацията на изображението е гореща тема в технологичния свят. Големите компании като Facebook, Apple и Google активно проучват този проблем, за да предоставят услуги като визуално търсене, автоматично маркиране на приятели в публикации в социалните медии и възможността да използват лицето ви за отключване на мобилния ви телефон. Правоохранителните органи също са много заинтересовани, преди всичко да разпознават лицата в цифровите изображения.

Когато започнах да работя с учениците си по този проект, изследването за класификация на образа се фокусираше върху техника, която разглеждаше характеристиките на изображението като ръбове, ъгли и области с подобен цвят. Това често са парчета, които могат да се съберат в някакъв разпознаваем обект. Тези подходи са около 70% точни, като се използват сравнителни данни със стотици категории и десетки хиляди примери за обучение.

Последните изследвания се пренасочиха към използването на изкуствени невронни мрежи, които идентифицират своите собствени характеристики, които се оказват най-полезни за точно класифициране. Невронните мрежи се моделират много слабо върху моделите на комуникация между невроните в човешкия мозък. Конволюционните невронни мрежи, типът, който сега използваме в работата с птици, са модифицирани по начини, които са моделирани на зрителния кортекс. Това ги прави особено подходящи за проблеми с класификацията на изображението.

Някои други изследователи вече са опитвали подобни техники на животни. Бях вдъхновен от компютърния учен Андреа Данилюк от колеж „Уилямс“, който използва машинно обучение за идентифициране на отделни петнисти саламандри. Това действа, защото всеки саламандър има отличителен модел на петна.

Прогрес в областта на идентификацията на птиците

Докато учениците ми и аз нямахме почти толкова снимки, с които да работим с повечето изследователи и компании, имахме предимството на някои ограничения, които биха могли да повишат точността на класификатора ни.

Всички наши образи бяха взети от една и съща перспектива, имаха същия мащаб и попаднаха в ограничен брой категории. Известно е, че само около 15 вида са посещавали хранилището в моя район. От тях само 10 посетени достатъчно често, за да предоставят полезна основа за обучение на класификатор.

Ограниченият брой изображения беше определен хендикап, но малкият брой категории работеше в наша полза. Когато ставаше въпрос за разпознаване дали птицата в изображението е чикади, каролина, кардинал или нещо друго, ранен проект, основан на алгоритъм за разпознаване на лице, постигнал около 85% точност - достатъчно добър, за да ни интересува проблемът.

Идентифицирането на птиците в изображенията е пример за задача за „фина класификация“, което означава, че алгоритъмът се опитва да прави разлика между обекти, които са малко по-различни един от друг. Много птици, които се появяват в хранилките, са приблизително еднакви, например, така че разликата между един и друг вид може да бъде доста трудна дори за опитни човешки наблюдатели.

Предизвикателството само нараства, когато се опитвате да идентифицирате индивиди. За повечето видове това просто не е възможно. Кълвачите, които ме интересуваха, имат силно орнаментирано оперение, но все още са до голяма степен сходни от индивид към индивид.

Така че, едно от най-големите ни предизвикателства беше човешката задача за етикетиране на данните, за да обучим нашия класификатор. Открих, че главите от пухкави кълвачи не са надежден начин да се разграничат индивидите, защото тези пера се движат много. Те се използват от птиците за изразяване на дразнене или тревога. Въпреки това, моделите на петна по сгънатите крила са по-последователни и сякаш работят добре, за да кажат един от друг. Тези пера на крилете почти винаги се виждаха в нашите изображения, докато образците на главата можеха да бъдат скрити в зависимост от ъгъла на главата на птицата.

В крайна сметка имахме 2450 снимки на осем различни кълвачи. Когато става въпрос за идентифициране на отделни кълвачи, нашите експерименти постигнаха 97% точност. Този резултат обаче се нуждае от допълнителна проверка.

Как това може да помогне на птиците?

Орнитолозите се нуждаят от точни данни за това как популациите на птиците се променят с времето. Тъй като много видове са много специфични в своите нужди от местообитания, когато става въпрос за размножаване, зимуване и миграция, фините данни биха могли да бъдат полезни за мислене за ефектите от променящия се пейзаж. Данните за отделни видове като пух и кълвачи биха могли да бъдат съчетани с друга информация, като карти на използването на земята, метеорологични условия, човешки растеж и т.н., за да се разбере по-добре изобилието на местните видове с течение на времето.

Считам, че полуавтоматизираната станция за наблюдение е на разположение при скромни разходи. Моята станция за мониторинг струва около 500 долара. Неотдавнашни проучвания показват, че трябва да е възможно да се обучи един класификатор, използвайки много по-широка група изображения, след което бързо да го настрои и с разумни изчислителни изисквания да разпознае отделните птици.

Проекти като eBird на Корнелската лаборатория по орнитология поставят малка армия от граждански учени на място за мониторинг на динамиката на населението, но по-голямата част от тези данни обикновено са от места, където хората са многобройни, а не от места, които представляват особен интерес за учените.

Подходът на автоматизирана мониторингова станция може да осигури мултипликатор на силите за биолозите, занимаващи се с конкретни видове или конкретни места. Това би разширило способността им да събират данни с минимална човешка намеса.

Тази статия първоначално е публикувана на разговор от Люис Барнет. Прочетете оригиналната статия тук.