Hva skjer når ansiktsgjenkjenning brukes på fugler? Vitenskap forklarer

Som birder hadde jeg hørt at hvis du var forsiktig på hodet fjær på de dunkle hakkespettene som besøkte dine fuglefodere, kunne du begynne å gjenkjenne enkelte fugler. Dette fascinerte meg. Jeg gikk til og med så langt som å prøve å skisse fugler på mine egne matere og hadde funnet dette til å være sant, opp til et punkt.

I mellomtiden, i min jobb som datavitenskapsmann, visste jeg at andre forskere hadde brukt maskinlæringsteknikker til å gjenkjenne individuelle ansikter i digitale bilder med høy grad av nøyaktighet.

Disse prosjektene fikk meg til å tenke på måter å kombinere min hobby med min dag jobb med. Vil det være mulig å bruke disse teknikkene for å identifisere individuelle fugler?

Så jeg bygde et verktøy for å samle data: en type fuglmatere favorisert av speil og et bevegelsesaktivert kamera. Jeg satte opp overvåkingsstasjonen i min forstad Virginia, og ventet på at fuglene skulle dukke opp.

Bilde klassifisering

Bildeklassifisering er et hett tema i teknologiske verden. Store selskaper som Facebook, Apple og Google undersøker aktivt dette problemet for å gi tjenester som visuell søk, automatisk merking av venner i sosiale medier, og muligheten til å bruke ansiktet ditt for å låse opp mobiltelefonen din. Retshåndhevende organer er også veldig interessert, først og fremst for å gjenkjenne ansikter i digitale bilder.

Da jeg begynte å jobbe med studentene mine på dette prosjektet, fokuserte bildeklassifiseringsforskning på en teknikk som så på bildegenskaper som kanter, hjørner og områder av tilsvarende farge. Dette er ofte stykker som kan settes sammen i noe gjenkjennelig objekt. Disse tilnærmingene var omtrent 70 prosent nøyaktige, ved hjelp av benchmark datasett med hundrevis av kategorier og titusenvis av treningseksempler.

Nylig forskning har skiftet mot bruk av kunstige nevrale nettverk, som identifiserer sine egne funksjoner som viser seg mest nyttige for nøyaktig klassifisering. Nevrale nettverk modelleres veldig løst på kommunikasjonsmønstrene mellom nevroner i den menneskelige hjerne. Konvolutionelle nevrale nettverk, typen som vi bruker nå i vårt arbeid med fugler, er modifisert på måter som ble modellert på den visuelle cortexen. Det gjør dem spesielt godt egnet for bildeklassifikasjonsproblemer.

Noen andre forskere har allerede prøvd lignende teknikker på dyr. Jeg ble inspirert blant annet av datavitenskapsmann Andrea Danyluk fra Williams College, som har brukt maskinlæring for å identifisere individuelle spyttede salamandere. Dette fungerer fordi hver salamander har et særegent mønster av flekker.

Fremgang på Bird ID

Mens studentene mine og jeg ikke hadde nesten like mange bilder å jobbe med som de fleste andre forskere og bedrifter, hadde vi fordelen av noen begrensninger som kunne øke klassifikatorens nøyaktighet.

Alle bildene våre ble tatt fra samme perspektiv, hadde samme skala og falt i et begrenset antall kategorier. Alt fortalte, bare om lag 15 arter besøkte materen i mitt område. Av dem besøkte kun 10 ofte nok til å gi et nyttig grunnlag for å trene en klassifikator.

Det begrensede antall bilder var et konkret handikap, men det lille antallet kategorier arbeidet til vår fordel. Når det gjaldt å gjenkjenne om fuglen i et bilde var en chickadee, en Carolina-sverd, en kardinal eller noe annet, oppnådde et tidlig prosjekt basert på en ansiktsgjenkjenningsalgoritme omtrent 85 prosent nøyaktighet - godt nok til å holde oss interessert i problemet.

Identifisere fugler i bilder er et eksempel på en "finkornet klassifisering" -oppgave, noe som betyr at algoritmen forsøker å diskriminere mellom objekter som bare er litt forskjellige fra hverandre. Mange fugler som dukker opp på matere, har omtrent samme form, for eksempel, for å fortelle forskjellen mellom en art og en annen, kan det være ganske utfordrende, selv for erfarne menneskelige observatører.

Utfordringen går bare opp når du prøver å identifisere personer. For de fleste arter er det ikke mulig. Hakkespettene som jeg var interessert i har sterkt mønstret fjerdedel, men er fortsatt stort sett lik individ til individ.

Så, en av våre største utfordringer var den menneskelige oppgaven med å merke dataene for å trene klassifikatoren vår. Jeg fant ut at hodefjærene av dunke speil ikke var en pålitelig måte å skille mellom individer, fordi de fjærene beveger seg mye. De brukes av fuglene til å uttrykke irritasjon eller alarm. Imidlertid er mønstrene av flekker på de brettede vingene mer konsistente og syntes å fungere helt fint for å fortelle en fra en annen. Disse vingefjærene var nesten alltid synlige i bildene våre, mens hodemønsteret kunne bli skjult avhengig av fuglens hode.

Til slutt hadde vi 2.450 bilder av åtte forskjellige speilere. Når det gjaldt å identifisere individuelle speil, oppnådde eksperimentene 97 prosent nøyaktighet. Dette resultatet trenger imidlertid ytterligere verifisering.

Hvordan kan dette hjelpe fugler?

Ornitologer trenger nøyaktige data om hvordan fuglepopulasjoner endres over tid. Siden mange arter er svært spesifikke i deres habitatbehov når det gjelder avl, vintering og migrasjon, kan finkornet data være nyttig for å tenke på effektene av et skiftende landskap. Data på enkelte arter som neddykkede hakkespetter kan da samsvare med annen informasjon, for eksempel landbrukskart, værmønstre, menneskelig befolkningsvekst og så videre, for bedre å forstå overflod av en lokal art over tid.

Jeg tror at en halvautomatisert overvåkingsstasjon er innen rekkevidde til beskjeden pris. Min overvåkingsstasjon koster rundt US $ 500. Nylige studier tyder på at det bør være mulig å trene en klassifikator ved hjelp av en mye bredere gruppe bilder, og deretter finjustere den raskt og med rimelige beregningsbehov for å gjenkjenne enkelte fugler.

Prosjekter som Cornell Laboratory of Ornithology's eBird har satt en liten hær med borgerforskere på bakken for å overvåke populasjonsdynamikk, men hovedparten av disse dataene har en tendens til å være fra steder hvor folk er tallrike, heller enn fra steder av spesiell interesse for forskere.

En automatisk overvåkingsstasjonstilgang kunne gi en kraftmultiplikator for dyrebiologer som er opptatt av bestemte arter eller bestemte steder. Dette vil utvide sin evne til å samle data med minimal menneskelig inngrep.

Denne artikkelen ble opprinnelig publisert på The Conversation av Lewis Barnett. Les den opprinnelige artikkelen her.