Что происходит, когда распознавание лица используется на птицах? Наука Объясняет

Будучи птицей, я слышал, что если вы внимательно посмотрите на перья головы на пушистых дятлах, которые посещали кормушек, вы могли бы начать узнавать отдельных птиц. Это заинтриговало меня. Я даже зашел так далеко, что пытался рисовать птиц у своих кормушек и обнаружил, что это правда, до определенного момента.

Тем временем, работая на компьютере, я знал, что другие исследователи использовали методы машинного обучения для распознавания отдельных лиц на цифровых изображениях с высокой степенью точности.

Эти проекты заставили меня задуматься о том, как совместить свое хобби с повседневной работой. Можно ли применить эти методы для идентификации отдельных птиц?

Итак, я создал инструмент для сбора данных: тип кормушки для птиц, предпочитаемый дятлами, и камера с активированным движением. Я установил свою контрольную станцию ​​в своем пригородном дворе в Вирджинии и стал ждать появления птиц.

Классификация изображений

Классификация изображений является горячей темой в мире технологий. Крупные компании, такие как Facebook, Apple и Google, активно исследуют эту проблему, чтобы предоставлять такие услуги, как визуальный поиск, автоматическая пометка друзей в сообщениях в социальных сетях и возможность использовать свое лицо, чтобы разблокировать мобильный телефон. Правоохранительные органы также очень заинтересованы, прежде всего, в распознавании лиц в цифровых изображениях.

Когда я начал работать со своими учениками над этим проектом, исследования по классификации изображений были сосредоточены на технике, которая учитывала такие особенности изображения, как края, углы и области одинакового цвета. Это часто кусочки, которые могут быть собраны в какой-то узнаваемый объект. Эти подходы были примерно на 70 процентов точными, с использованием эталонных наборов данных с сотнями категорий и десятками тысяч обучающих примеров.

Недавние исследования сместились в сторону использования искусственных нейронных сетей, которые идентифицируют их собственные особенности, которые оказываются наиболее полезными для точной классификации. Нейронные сети очень слабо смоделированы на модели коммуникации между нейронами в человеческом мозге. Сверточные нейронные сети, тип, который мы сейчас используем в нашей работе с птицами, модифицируются способами, которые были смоделированы на зрительной коре. Это делает их особенно подходящими для задач классификации изображений.

Некоторые другие исследователи уже попробовали подобные методы на животных. Отчасти меня вдохновил ученый-компьютерщик Андреа Данилюк из колледжа Уильямс, который использовал машинное обучение для идентификации отдельных пятнистых саламандр. Это работает, потому что у каждой саламандры есть отличительный образец пятен.

Прогресс в идентификации птиц

Хотя у нас и моих учеников было не так много изображений для работы, как у большинства других исследователей и компаний, у нас было преимущество в виде некоторых ограничений, которые могли бы повысить точность нашего классификатора.

Все наши изображения были взяты с одной и той же перспективы, имели одинаковый масштаб и попали в ограниченное количество категорий. В общей сложности только около 15 видов когда-либо посещали фидер в моей области. Из них только 10 посещали достаточно часто, чтобы обеспечить полезную основу для обучения классификатора.

Ограниченное количество изображений было определенным препятствием, но небольшое количество категорий работало в нашу пользу. Когда дело дошло до того, чтобы понять, была ли птица на изображении синица, каролина, кардинал или что-то еще, ранний проект, основанный на алгоритме распознавания лиц, достиг примерно 85-процентной точности - достаточно хороший, чтобы держать нас заинтересованными в проблеме.

Идентификация птиц на изображениях является примером задачи «мелкозернистой классификации», означающей, что алгоритм пытается различать объекты, которые немного отличаются друг от друга. Например, многие птицы, которые появляются на кормушках, имеют примерно одинаковую форму, поэтому выявить разницу между одним видом и другим может быть довольно сложно, даже для опытных наблюдателей.

Задача только возрастает, когда вы пытаетесь идентифицировать людей. Для большинства видов это просто невозможно. Дятлы, которых я интересовал, имеют сильно структурированное оперение, но все еще в значительной степени похожи от человека к человеку.

Итак, одной из наших самых больших проблем была человеческая задача маркировки данных для обучения нашего классификатора. Я обнаружил, что головные перья пушистых дятлов не являются надежным способом отличить особей, потому что эти перья много двигаются. Птицы используют их для выражения раздражения или тревоги. Тем не менее, узоры пятен на сложенных крыльях более последовательны и, кажется, отлично работают, чтобы отличить одно от другого. Эти крыловые перья были почти всегда видны на наших изображениях, в то время как узоры головы могли быть скрыты в зависимости от угла головы птицы.

В итоге у нас было 2450 фотографий восьми разных дятлов. Когда дело дошло до идентификации отдельных дятлов, наши эксперименты достигли 97-процентной точности. Однако этот результат нуждается в дальнейшей проверке.

Как это может помочь птицам?

Орнитологам нужны точные данные о том, как популяции птиц меняются со временем. Поскольку многие виды очень специфичны в своих потребностях среды обитания, когда речь идет о размножении, зимовке и миграции, детальные данные могут быть полезны для размышлений о последствиях изменения ландшафта. Данные по отдельным видам, таким как пуховые дятлы, могут затем сопоставляться с другой информацией, такой как карты землепользования, погодные условия, рост численности населения и т. Д., Чтобы лучше понять численность местного вида с течением времени.

Я считаю, что полуавтоматическая станция мониторинга находится в пределах досягаемости при скромных затратах. Моя станция мониторинга стоила около 500 долларов США. Недавние исследования показывают, что должна быть возможность обучить классификатор, используя гораздо более широкую группу изображений, а затем настроить его быстро и с разумными вычислительными требованиями для распознавания отдельных птиц.

Такие проекты, как Cornell Laboratory of Ornithology eBird, позволили создать небольшую армию гражданских ученых для мониторинга динамики численности населения, но большая часть этих данных, как правило, поступает из мест, где много людей, а не из мест, представляющих особый интерес для ученых.

Подход с использованием автоматизированной станции мониторинга может обеспечить мультипликатор силы для биологов дикой природы, связанных с конкретными видами или конкретными местами обитания. Это расширит их способность собирать данные с минимальным вмешательством человека.

Эта статья была первоначально опубликована в «Разговоре» Льюиса Барнетта. Прочитайте оригинальную статью здесь.