Искусственный интеллект с высокой точностью идентифицирует животных на фото

Исследователи из Университета Вайоминга (UW) и других учреждений разработали компьютерную модель, которая демонстрирует выдающуюся точность и эффективность в идентификации диких животных на фотографиях с камер-ловушек в Северной Америке.

Этот прорыв в области искусственного интеллекта, подробно описанный в статье в научном журнале Methods in Ecology and Evolution, представляет собой значительный шаг вперед в изучении и сохранении дикой природы. Модель теперь доступна в виде пакета программного обеспечения для Program R — широко используемого языка программирования и свободной среды для статистических вычислений.

«Возможность быстро идентифицировать миллионы изображений с камер-ловушек может коренным образом изменить способ, которым экологи проектируют и проводят исследования дикой природы», — отмечается в статье.

Исследование основывается на более ранней работе UW, опубликованной в Proceedings of the National Academy of Sciences (PNAS). В той работе модель с помощью техники глубокого обучения проанализировала 3,2 миллиона изображений из Африки, достигнув точности классификации в 96,6% — на уровне команд людей-добровольцев, но гораздо быстрее.

В новом исследовании ученые обучили глубокую нейронную сеть на высокопроизводительном компьютерном кластере UW Mount Moran, используя 3,37 миллиона фотографий с камер-ловушек, на которых были запечатлены 27 видов животных из пяти штатов США.

Результаты тестирования модели:

• На наборе из почти 375 000 изображений модель работала со скоростью около 2000 изображений в минуту на обычном ноутбуке, достигнув точности 97,6% (вероятно, рекордный показатель для машинного обучения в этой области).
• На независимом наборе из 5900 изображений лосей, крупного рогатого скота, вапити и диких свиней из Канады точность составила 81,8%.
• Модель успешно отфильтровала 94% «пустых» кадров (без животных) из набора фотографий из Танзании.

Исследователи сделали свою модель общедоступной в виде пакета «Machine Learning for Wildlife Image Classification in R (MLWIC)». Пакет позволяет другим пользователям классифицировать свои изображения с 27 видами из исходного набора данных, а также обучать собственные модели на новых наборах изображений.