Wat gebeurt er wanneer gezichtsherkenning op vogels wordt gebruikt? De wetenschap verklaart

Als een vogelaar had ik gehoord dat als je goed op de veren van het hoofd van de donsachtige spechten gericht was die je vogelvoeders bezochten, je individuele vogels kon gaan herkennen. Dit intrigeerde mij. Ik ging zelfs zo ver om te proberen vogels te schetsen op mijn eigen feeders en had dit tot op zekere hoogte waar gevonden.

In de tussentijd wist ik dat ik in mijn tijd als computerwetenschapper wist dat andere onderzoekers technieken voor het leren van machines hadden gebruikt om individuele gezichten in digitale afbeeldingen met een hoge mate van nauwkeurigheid te herkennen.

Deze projecten hebben me aan het denken gezet over manieren om mijn hobby te combineren met mijn dagelijkse baan. Zou het mogelijk zijn om die technieken toe te passen om individuele vogels te identificeren?

Dus ik heb een hulpmiddel gebouwd om gegevens te verzamelen: een type vogelvoeder met voorkeur voor spechten en een camera met bewegingsactivering. Ik zette mijn controlestation op mijn werf in de buitenwijken van Virginia en wachtte tot de vogels opdoken.

Beeldclassificatie

Beeldclassificatie is een hot topic in de technische wereld. Grote bedrijven zoals Facebook, Apple en Google onderzoeken dit probleem actief om diensten zoals visueel zoeken, autotagging van vrienden in posts op sociale media en de mogelijkheid om je gezicht te gebruiken om je mobiel te ontgrendelen. Rechtshandhavingsinstanties zijn ook erg geïnteresseerd, vooral om gezichten in digitale beelden te herkennen.

Toen ik met mijn studenten aan dit project begon te werken, concentreerde het onderzoek naar beeldclassificatie zich op een techniek waarbij werd gekeken naar beeldkenmerken zoals randen, hoeken en gebieden met dezelfde kleur. Dit zijn vaak stukken die kunnen worden samengevoegd tot een herkenbaar object. Die benaderingen waren ongeveer 70 procent nauwkeurig, met behulp van benchmark-datasets met honderden categorieën en tienduizenden trainingsvoorbeelden.

Recent onderzoek is verschoven in de richting van het gebruik van kunstmatige neurale netwerken, die hun eigen kenmerken identificeren die het nuttigst blijken voor nauwkeurige classificatie. Neurale netwerken zijn zeer losjes gemodelleerd op de patronen van communicatie tussen neuronen in het menselijk brein. Convolutionele neurale netwerken, het type dat we nu gebruiken in ons werk met vogels, worden gemodificeerd op manieren die gemodelleerd zijn op de visuele cortex. Dat maakt ze bijzonder geschikt voor problemen met de beeldclassificatie.

Sommige andere onderzoekers hebben al vergelijkbare technieken op dieren uitgeprobeerd. Ik werd gedeeltelijk geïnspireerd door computerwetenschapper Andrea Danyluk van Williams College, die machinaal leren heeft gebruikt om individuele salamanders te identificeren. Dit werkt omdat elke salamander een opvallend patroon van vlekken heeft.

Vooruitgang op Bird ID

Hoewel mijn studenten en ik niet zoveel afbeeldingen hadden om mee te werken als de meeste andere onderzoekers en bedrijven, hadden we het voordeel van een aantal beperkingen die de nauwkeurigheid van onze classifier zouden kunnen vergroten.

Al onze afbeeldingen werden vanuit hetzelfde perspectief bekeken, hadden dezelfde schaal en vielen in een beperkt aantal categorieën. In totaal hebben slechts ongeveer 15 soorten ooit de feeder in mijn omgeving bezocht. Daarvan werden er slechts 10 vaak genoeg bezocht om een ​​bruikbare basis te bieden voor het trainen van een classificator.

Het beperkte aantal afbeeldingen was een duidelijke handicap, maar het kleine aantal categorieën werkte in ons voordeel. Als het ging om het herkennen of de vogel in een afbeelding een meid was, een Carolina-winterkoninkje, een kardinaal of iets anders, behaalde een vroeg project op basis van een algoritme voor gezichtsherkenning ongeveer 85 procent nauwkeurigheid - goed genoeg om ons geïnteresseerd te houden in het probleem.

Het identificeren van vogels in afbeeldingen is een voorbeeld van een "fijnkorrelige classificatie" -taak, wat betekent dat het algoritme onderscheid probeert te maken tussen objecten die slechts weinig van elkaar verschillen. Veel vogels die op feeders verschijnen, hebben bijvoorbeeld ongeveer dezelfde vorm, dus het vertellen van het verschil tussen de ene soort en de andere kan behoorlijk uitdagend zijn, zelfs voor ervaren menselijke waarnemers.

De uitdaging neemt alleen toe als je individuen probeert te identificeren. Voor de meeste soorten is het gewoon niet mogelijk. De spechten waarin ik geïnteresseerd was, hebben een sterk patroon in het verenkleed, maar zijn nog steeds grotendeels hetzelfde van persoon tot persoon.

Een van onze grootste uitdagingen was dus de menselijke taak om de gegevens te labelen om onze classificator te trainen. Ik ontdekte dat de kopveren van valse spechten geen betrouwbare manier waren om onderscheid te maken tussen individuen, omdat die veren veel bewegen. Ze worden door de vogels gebruikt om irritatie of alarmen uit te drukken. De patronen van vlekken op de gevouwen vleugels zijn echter meer consistent en leken prima te werken om het ene van het andere te vertellen. Die vleugelveren waren bijna altijd zichtbaar in onze afbeeldingen, terwijl de hoofdpatronen verborgen konden worden afhankelijk van de hoek van het hoofd van de vogel.

Uiteindelijk hadden we 2.450 foto's van acht verschillende spechten. Als het ging om het identificeren van individuele spechten, bereikten onze experimenten een nauwkeurigheid van 97 procent. Dat resultaat vereist echter verdere verificatie.

Hoe kan dit vogels helpen?

Ornithologen hebben nauwkeurige gegevens nodig over hoe de vogelpopulaties in de loop van de tijd veranderen. Omdat veel soorten zeer specifiek zijn in hun habitatbehoeften als het gaat om fokken, overwinteren en migreren, kunnen fijnmazige gegevens nuttig zijn om na te denken over de effecten van een veranderend landschap. Gegevens over individuele soorten zoals valse spechten kunnen dan worden vergeleken met andere informatie, zoals landgebruikskaarten, weerpatronen, menselijke bevolkingsgroei, enzovoort, om de overvloed van een lokale soort in de loop van de tijd beter te begrijpen.

Ik geloof dat een semi-geautomatiseerd bewakingsstation binnen bereik is tegen een bescheiden prijs. Mijn meldkamer kostte ongeveer US $ 500. Recente studies suggereren dat het mogelijk moet zijn om een ​​classificator te trainen met behulp van een veel bredere groep afbeeldingen, het vervolgens snel te verfijnen en met redelijke computationele eisen om individuele vogels te herkennen.

Projecten zoals Cornell Laboratory of Ornithology's eBird hebben een klein leger van burgerwetenschappers op de grond gezet voor het monitoren van populatiedynamica, maar het grootste deel van die gegevens is meestal afkomstig van locaties waar mensen talrijk zijn, eerder dan van locaties die specifiek van belang zijn voor wetenschappers.

Een geautomatiseerde monitoringstationbenadering zou een krachtvermenigvuldiger kunnen zijn voor natuurbiologen die zich bezighouden met specifieke soorten of specifieke locaties. Dit zou hun vermogen om gegevens te verzamelen verbreden met minimale menselijke tussenkomst.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation door Lewis Barnett. Lees hier het originele artikel.