Ano ang Nangyayari Kapag Ginagamit ang Mukha sa Mga Ibon? Ipinaliwanag ng Agham

Bilang isang birder, narinig ko na kung binabantayan mo nang maingat ang mga balahibo sa ulo sa mga mahihina na mga tambal na dumadalaw sa iyong mga ibon, maaari mong makilala ang mga indibidwal na ibon. Nakakaalam ito sa akin. Ako pa rin ang nagpunta hanggang sa subukan ang sketching ibon sa aking sariling mga feeders at natagpuan na ito ay totoo, hanggang sa isang punto.

Samantala, sa aking trabaho sa araw bilang isang siyentipiko sa computer, alam ko na ginagamit ng iba pang mga mananaliksik ang mga diskarte sa pag-aaral ng makina upang makilala ang mga indibidwal na mukha sa mga digital na imahe na may mataas na antas ng katumpakan.

Nakuha ako ng mga proyektong ito tungkol sa mga paraan upang pagsamahin ang aking libangan sa aking trabaho sa araw. Posible bang ilapat ang mga pamamaraan na iyon upang makilala ang mga indibidwal na ibon?

Kaya, gumawa ako ng isang tool upang mangolekta ng data: isang uri ng feeder ng ibon na pinapaboran ng mga woodpecker at isang motion-activated camera. Itinatag ko ang aking istasyon ng pagmamanman sa aking bakuran ng Virginia na nasa ilalim ng lupa at naghintay na ipakita ang mga ibon.

Pag-uuri ng Larawan

Ang pag-uuri ng imahe ay isang mainit na paksa sa tech na mundo. Ang mga pangunahing kumpanya tulad ng Facebook, Apple at Google ay aktibong nagsasaliksik sa problemang ito upang magbigay ng mga serbisyo tulad ng visual na paghahanap, auto-tagging ng mga kaibigan sa mga post sa social media at ang kakayahang gamitin ang iyong mukha upang i-unlock ang iyong cellphone. Ang mga ahensiyang nagpapatupad ng batas ay masyadong interesado, lalo na upang kilalanin ang mga mukha sa digital na imahe.

Noong nagsimula akong magtrabaho kasama ang aking mga estudyante sa proyektong ito, ang pananaliksik sa pag-uuri ng imahe ay nakatuon sa isang pamamaraan na tumingin sa mga tampok na imahe tulad ng mga gilid, sulok at mga lugar na katulad ng kulay. Ang mga ito ay madalas na mga piraso na maaaring tipunin sa ilang makikilalang bagay. Ang mga diskarte ay tungkol sa 70 porsiyento ng tumpak, gamit ang benchmark data set sa daan-daang mga kategorya at sampu-sampung libo ng mga halimbawa ng pagsasanay.

Ang kasalukuyang pananaliksik ay lumipat sa paggamit ng mga artipisyal na neural network, na nagpapakilala sa kanilang sariling mga tampok na nagpapatunay na pinaka-kapaki-pakinabang para sa tumpak na pag-uuri. Ang mga neural network ay napakalakas sa mga pattern ng komunikasyon sa mga neuron sa utak ng tao. Ang mga convolutional neural network, ang uri na ginagamit namin sa aming trabaho sa mga ibon, ay binago sa mga paraan na na-modelo sa visual cortex. Iyon ay ginagawang mas mahusay sa kanila para sa mga problema sa pag-uuri ng imahe.

Ang ilang mga iba pang mga mananaliksik ay may tried katulad na mga diskarte sa mga hayop. Ako ay binigyan ng inspirasyon sa bahagi ng siyentipikong computer na si Andrea Danyluk ng Williams College, na gumamit ng pag-aaral ng makina na kilalanin ang mga nakikitang salamander. Ito ay gumagana dahil ang bawat salamander ay may natatanging mga pattern ng mga spot.

Progress sa Bird ID

Habang ang aking mga mag-aaral at ako ay walang halos maraming mga larawan upang magtrabaho kasama ang karamihan sa iba pang mga mananaliksik at mga kumpanya, nagkaroon kami ng kapakinabangan ng ilang mga hadlang na maaaring mapalakas ang katumpakan ng aming tagalikha.

Ang lahat ng aming mga imahe ay kinuha mula sa parehong pananaw, ay may parehong sukat at nahulog sa isang limitadong bilang ng mga kategorya. Ang lahat ay nagsabi, mga 15 species lamang ang bumisita sa tagapagpakain sa aking lugar. Sa mga ito, 10 lang ang madalas na binisita upang magbigay ng isang kapaki-pakinabang na batayan para sa pagsasanay ng isang tagapag-uuri.

Ang limitadong bilang ng mga imahe ay isang tiyak na kapansanan, ngunit ang maliit na bilang ng mga kategorya ay nagtrabaho sa aming pabor. Nang dumating ito sa pagkilala kung ang ibon sa isang imahe ay isang chickadee, isang Carolina wren, isang kardinal o iba pa, isang maagang proyekto batay sa isang facial recognition algorithm na nakamit tungkol sa 85 porsiyento katumpakan - sapat na sapat upang panatilihin sa amin interesado sa problema.

Ang pagkilala ng mga ibon sa mga imahe ay isang halimbawa ng gawain ng "piniling pag-uuri", na nangangahulugang ang algorithm ay nagtatangkang magdiskrimina sa pagitan ng mga bagay na bahagyang naiiba lamang sa isa't isa. Maraming mga ibon na lumilitaw sa feeders ay halos pareho ang hugis, halimbawa, na nagsasabi na ang pagkakaiba sa pagitan ng isang species at isa pa ay maaaring maging mahirap na, kahit na para sa nakaranas ng mga tagamasid ng tao.

Ang hamon lamang ay umakyat kapag sinubukan mong kilalanin ang mga indibidwal. Para sa karamihan ng mga species, ito ay hindi posible. Ang mga woodpeckers na ako ay interesado sa may malakas na patterned balahibo ngunit pa rin sa kalakhan katulad mula sa mga indibidwal sa mga indibidwal.

Kaya, isa sa aming mga pinakamalaking hamon ang gawain ng tao sa pag-label ng data upang sanayin ang aming tagalikha. Nakita ko na ang mga balahibo ng ulo ng mga palahaw na pating ay hindi isang maaasahang paraan upang makilala ang mga indibidwal, sapagkat ang mga balahibo ay kumikilos sa paligid. Ginagamit sila ng mga ibon upang ipahayag ang pangangati o alarma. Gayunpaman, ang mga pattern ng mga spot sa mga nakatiklop na pakpak ay mas pare-pareho at tila gumagana nang maayos upang sabihin sa isa mula sa isa pa. Ang mga pakpak na pakpak ay halos palaging nakikita sa aming mga larawan, habang ang mga pattern ng ulo ay maaaring maitago depende sa anggulo ng ulo ng ibon.

Sa wakas, nagkaroon kami ng 2,450 mga larawan ng walong iba't ibang mga woodpecker. Nang ito ay dumating sa pagtukoy ng mga indibidwal na woodpeckers, nakamit ng aming mga eksperimento ang 97 porsiyento na katumpakan. Gayunpaman, ang resulta ay nangangailangan ng karagdagang pagpapatunay.

Paano Maaari Ito Tulong Ibon?

Kailangan ng mga ornithologist ang tumpak na data kung paano magbabago ang populasyon ng ibon sa paglipas ng panahon. Dahil maraming mga uri ng hayop ay napaka-tiyak sa kanilang mga pangangailangan sa tirahan pagdating sa pag-aanak, taglamig at migration, ang pinong data ay maaaring maging kapaki-pakinabang para sa pag-iisip tungkol sa mga epekto ng pagbabago ng landscape. Ang mga datos sa mga indibidwal na uri ng hayop tulad ng mga mahahabang woodpeckers ay maaaring maitugma sa iba pang impormasyon, tulad ng mga mapa ng paggamit ng lupa, mga pattern ng panahon, paglaki ng populasyon ng tao at iba pa, upang mas mahusay na maunawaan ang kasaganaan ng isang lokal na species sa paglipas ng panahon.

Naniniwala ako na ang isang semiautomated monitoring station ay nasa abot ng makakaya. Ang aking istasyon ng pagsubaybay ay nagkakahalaga ng US $ 500. Iminumungkahi ng mga kamakailang pag-aaral na posible na sanayin ang isang tagapagkamit na gumagamit ng isang mas malawak na grupo ng mga larawan, pagkatapos ay i-fine-tune ito nang mabilis at may makatwirang mga pangangailangan sa computational upang kilalanin ang mga indibidwal na ibon.

Ang mga proyekto tulad ng Cornell Laboratory ng Ornithology's eBird ay naglagay ng isang maliit na hukbo ng mga siyentipiko ng mamamayan sa lupa para sa pagsubaybay ng mga dinamika ng populasyon, ngunit ang karamihan sa mga datos ay may posibilidad na maging mula sa mga lokasyon kung saan maraming mga tao, kaysa sa mga lokasyon ng partikular na interes sa mga siyentipiko.

Ang isang automated monitoring station na diskarte ay maaaring magbigay ng isang puwersa multiplier para biologists wildlife na nababahala sa mga tukoy na species o mga tukoy na lokasyon. Palalawakin nito ang kanilang kakayahang magtipon ng data na may kaunting interbensyon ng tao.

Ang artikulong ito ay orihinal na na-publish sa The Conversation ni Lewis Barnett. Basahin ang orihinal na artikulo dito.