Новый инструмент для отслеживания животных с помощью ИИ ускорит биологические исследования

Для сбора данных о коллективном и индивидуальном поведении биологи часто изучают большие группы животных. Новые инструменты машинного обучения обещают помочь учёным быстрее обрабатывать огромные объёмы данных, снижая нагрузку.

Инструмент replicAnt упрощает и ускоряет создание обучающих изображений для этих алгоритмов, облегчая одновременное наблюдение за множеством животных, начиная с насекомых.

База данных животных

Существующие ИИ-инструменты для этой цели требуют от пользователей кропотливой ручной разметки сотен кадров для создания обучающей базы. replicAnt автоматически генерирует тысячи размеченных изображений одним кликом, включая вариации видов и условий окружающей среды. Эти сгенерированные ИИ данные могут повысить скорость и надёжность использования ИИ в исследованиях животных.

Работа опубликована в Nature Communications.

Ведущий автор Фабиан Плам, докторант кафедры биоинженерии Имперского колледжа Лондона, заявил: «Настройка исследований на больших группах животных и освоение новых инструментов занимает много времени. replicAnt снижает порог входа для биологов, желающих использовать машинное обучение для оптимизации своей работы».

Инструмент основан на предыдущей разработке команды — scAnt, 3D-сканере, который создаёт высокодетализированные 3D-модели мелких животных. Эти модели используются в replicAnt, который с помощью движка Unreal Engine генерирует обучающие изображения для обнаружения и отслеживания животных в лаборатории и в природе, экономя время исследователей.

Для демонстрации эффективности replicAnt исследователи обучили нейронные сети на созданных изображениях. Это позволило сетям «из коробки» распознавать особей и отслеживать их перемещения в разных средах. Для других задач необходимый объём ручной разметки реальных изображений сократился на порядок.

Фабиан Плам отметил: «Понимание поведения животных, особенно в условиях изменения климата, крайне важно. Мы надеемся, что наш инструмент поможет сделать трудоёмкий процесс сбора критически важных данных проще и быстрее».

Дальнейшие применения могут включать использование данных о движении в реальном времени для анимации персонажей в кино и видеоиграх.