Использование технологии распознавания лиц для идентификации птиц

Исследователь-компьютерщик и орнитолог-любитель решил применить методы машинного обучения, используемые для распознавания лиц, для идентификации отдельных птиц по фотографиям.

Классификация изображений

Современные исследования в области классификации изображений сместились в сторону использования искусственных нейронных сетей, особенно сверточных нейронных сетей, которые сами определяют наиболее полезные для классификации признаки. Эти сети смоделированы на основе зрительной коры головного мозга.

Идентификация птиц: подход и вызовы

Для сбора данных была построена автоматизированная станция наблюдения: кормушка для дятлов и камера с датчиком движения. Стоимость станции составила около $500.

Проект столкнулся с двумя ключевыми вызовами:

1. Мелкозернистая классификация: необходимость различать объекты (виды птиц), очень похожие друг на друга.
2. Идентификация особей: для большинства видов это невозможно. У интересующих исследователя пушистых дятлов оперение сильно узорчато, но особи все же очень похожи.

Главной проблемой оказалась ручная разметка данных для обучения классификатора. Узор перьев на голове дятлов оказался ненадежным признаком, так как эти перья активно двигаются. Однако узоры пятен на сложенных крыльях были более стабильными и хорошо подошли для различения особей.

Результаты

В итоговом наборе данных было 2450 изображений восьми разных дятлов.

• При распознавании видов птиц (синица, каролинский крапивник, кардинал и др.) алгоритм на основе технологии распознавания лиц показал точность около 85%.
• При идентификации отдельных особей дятлов эксперименты достигли точности 97%, хотя этот результат требует дальнейшей проверки.

Практическое применение для орнитологии

Точные данные об изменении популяций птиц со временем критически важны для орнитологов. Автоматизированные станции мониторинга могли бы стать «силовым множителем» для биологов, изучающих конкретные виды или локации, и позволили бы:

• Собирать данные с минимальным вмешательством человека.
• Восполнить пробелы в данных, которые сейчас собирают проекты с участием гражданских ученых (например, eBird от Cornell Laboratory of Ornithology), так как те сконцентрированы в местах скопления людей, а не в научно-интересных локациях.
• Сопоставлять данные по отдельным видам (например, пушистому дятлу) с картами землепользования, погодными условиями, ростом населения и другими факторами.

Исследователь полагает, что создание полуавтоматической станции мониторинга по умеренной цене вполне достижимо. Современные исследования показывают, что можно обучить классификатор на широком наборе изображений, а затем быстро и без больших вычислительных затрат дообучить его для распознавания конкретных птиц.