Що відбувається, коли використання птахів використовується для розпізнавання особи? Наука пояснює

Як берес, я чув, що якщо ви звернули пильну увагу на голову пір'я на пухких дятлів, які відвідали ваші годівниці для птахів, ви могли б почати розпізнавати окремих птахів. Це мене заінтригувало. Я навіть пішов так далеко, щоб спробувати замальовувати птахів у моїх власних фідерах і знайшов, що це правда, аж до точки.

У той же час, в моїй роботі в якості комп'ютерного вченого, я знав, що інші дослідники використовували методи машинного навчання, щоб розпізнавати окремі обличчя в цифрових зображеннях з високим ступенем точності.

Ці проекти примусили мене подумати про те, як поєднати моє хобі з роботою. Чи можна застосувати ці методи для ідентифікації окремих птахів?

Таким чином, я створив інструмент для збору даних: тип годівниці для птахів, який віддає перевагу дятлам і камері, що активується рухом. Я встановив мою станцію моніторингу у мойому приміському Вірджинії двір та зачекав на птахів показати.

Класифікація зображень

Класифікація зображень є актуальною темою в світі технологій. Великі компанії, такі як Facebook, Apple і Google, активно досліджують цю проблему, надаючи послуги, такі як візуальний пошук, автоматичне позначення друзів у соціальних мережах та можливість використовувати ваше обличчя для розблокування мобільного телефону. Правоохоронні органи також дуже зацікавлені, в першу чергу, для розпізнавання облич у цифрових зображеннях.

Коли я почав працювати зі своїми студентами на цьому проекті, дослідження класифікації зображень зосереджувалося на техніці, яка розглядала особливості зображення, такі як краї, кути та області подібного кольору. Часто це частини, які можуть бути зібрані в якийсь пізнаваний об'єкт. Ці підходи були приблизно на 70 відсотків точними, використовуючи набори базових даних з сотнями категорій і десятками тисяч навчальних прикладів.

Недавні дослідження перейшли на використання штучних нейронних мереж, які визначають свої власні особливості, які виявляються найбільш корисними для точної класифікації. Нейронні мережі моделюються дуже вільно на моделях спілкування між нейронами людського мозку. Згорткові нейронні мережі, тип, який ми зараз використовуємо в роботі з птахами, модифікуються таким чином, що були змодельовані на зоровій корі. Це робить їх особливо придатними для проблем класифікації зображень.

Деякі інші дослідники вже пробували подібні методи на тваринах. Мене частково надихнув комп'ютерний вчений Андреа Данилюк з коледжу Вільямса, який використовував машинне навчання для ідентифікації окремих плямистих саламандрів. Це працює, тому що кожен саламандра має характерний малюнок плям.

Прогрес на пташиному ID

Незважаючи на те, що у мене та моїх учнів було не так багато зображень, з якими працювали б більшість інших дослідників і компаній, ми мали переваги деяких обмежень, які могли б підвищити нашу точність класифікатора.

Всі наші зображення були взяті з тієї ж точки зору, мали однаковий масштаб і потрапляли в обмежену кількість категорій. Все сказане, тільки 15 видів колись відвідали feeder у мойому районі. З них лише 10 відвідували досить часто, щоб забезпечити корисну основу для підготовки класифікатора.

Обмежена кількість зображень була певним гандикапом, але невелика кількість категорій працювала на нашу користь. Коли справа дійшла до розпізнавання того, чи була пташка на зображенні чикаді, кароліна, кардинал чи щось інше, ранній проект, заснований на алгоритмі розпізнавання обличчя, досяг точності 85 відсотків - достатньо хороший, щоб тримати нас зацікавленими в цій проблемі.

Ідентифікація птахів у зображеннях є прикладом завдання «тонкої класифікації», що означає, що алгоритм намагається розрізняти об'єкти, які лише трохи відрізняються один від одного. Багато птахів, які виявляються на годівницях, мають приблизно однакову форму, наприклад, так що різниця між одним видом і іншим може бути досить складним, навіть для досвідчених спостерігачів.

Виклик тільки піднімається, коли ви намагаєтеся ідентифікувати осіб. Для більшості видів це просто неможливо. Дятлів, яких я цікавила, є сильно орнаментальне оперення, але все ще багато в чому схоже від індивідуального до індивідуального.

Таким чином, однією з наших найбільших викликів була людська задача маркування даних для підготовки нашого класифікатора. Я виявив, що головні пір'я пухких дятлів не були надійним способом розрізняти людей, тому що ці пір'я багато переміщаються. Вони використовуються птахами для вираження роздратування або тривоги. Тим не менш, візерунки плям на складених крилах більш послідовні і, здавалося, працюють просто чудово, щоб сказати один від одного. Ці пір'я крил майже завжди були помітні на наших знімках, в той час як головні узори могли бути затемнені в залежності від кута голови птаха.

Зрештою, у нас було 2450 фотографій восьми різних дятлів. Коли йшлося про виявлення окремих дятлів, наші експерименти досягли 97-відсоткової точності. Однак цей результат потребує подальшої перевірки.

Як це може допомогти птахам?

Орнітологи потребують точних даних про те, як з часом змінюються популяції птахів. Оскільки багато видів є дуже специфічними у своїх потребах проживання, коли мова йде про розведення, зимівлі та міграції, то дрібнозернисті дані можуть бути корисними для роздумів про наслідки зміни ландшафту. Дані щодо окремих видів, таких як пухові дятли, можуть бути узгоджені з іншою інформацією, такими як карти землекористування, погодні умови, зростання людського населення і так далі, щоб краще зрозуміти велику кількість місцевих видів з часом.

Я вважаю, що напівавтоматизована станція моніторингу знаходиться в межах досяжності при скромних витратах. Моя станція моніторингу коштувала близько 500 доларів США. Недавні дослідження показують, що треба забезпечити можливість підготовки класифікатора за допомогою набагато ширшої групи зображень, а потім швидко налаштувати її з розумними обчислювальними вимогами для розпізнавання окремих птахів.

Проекти, такі як лабораторія орнітології Корнельської лабораторії eBird, поклали невелику армію вчених-громадян для моніторингу динаміки населення, але основна частина цих даних має тенденцію бути з місць, де люди численні, а не з місць, що представляють особливий інтерес для вчених.

Автоматизований підхід до моніторингової станції може забезпечити мультиплікатор сил для біологів дикої природи, пов'язаних з конкретними видами або конкретними місцями. Це дозволить розширити їхню здатність збирати дані з мінімальним втручанням людини.

Ця стаття спочатку була опублікована на бесіді Льюїса Барнетта. Читайте оригінальну статтю тут.