Искусственный интеллект помогает в идентификации, подсчете и описании диких животных
В новой статье Национальной академии наук (PNAS) сообщается, как передовая технология искусственного интеллекта, называемая глубоким обучением, может автоматически идентифицировать, подсчитывать и описывать животных в их естественных средах обитания.
Фотографии, которые автоматически собираются камерами с датчиками движения, могут затем автоматически описываться глубокими нейронными сетями. Результатом является система, которая может автоматизировать идентификацию животных на уровне до 99,3 процента изображений, при этом сохраняя тем самым показатель точности 96,6 процента краудсорсинговых групп добровольцев-людей.
«Эта технология позволяет нам аккуратно, ненавязчиво и недорого собирать данные о дикой природе, что могло бы способствовать трансформации многих областей экологии, биологии дикой природы, зоологии, биологии сохранения и поведения животных в« большие данные ». Это значительно улучшит наши способности по изучению и сохранению дикой природы,
Глубокие нейронные сети - это форма вычислительного интеллекта, вдохновленная тем, как живой мозг видит и понимает мир. Они требуют огромного количества данных для обучения, чтобы работать хорошо, и данные должны быть точно помечены (например, каждое изображение правильно помечено, какие виды животных присутствуют, сколько их есть и т.д.).
В этом исследовании были получены необходимые данные из проекта Snapshot Serengeti, посвященного гражданам, на платформе http://www.zooniverse.org. Serengeti развернул большое количество «камерных ловушек» (камеры с датчиками движения) в Танзании, которые собирают миллионы изображений животных в их естественной среде обитания, таких как львы, леопарды, гепарды и слоны. Информация на этих фотографиях полезна только после того, как она была преобразована в текст и цифры. В течение многих лет лучшим методом для извлечения такой информации было попросить команды добровольцев людей маркировать каждое изображение вручную. В опубликованном исследовании использовалось 3,2 миллиона помеченных изображений, произведенных таким образом более чем 50 000 человеческими добровольцами в течение нескольких лет.
«Мы хотели проверить, можем ли мы использовать машинное обучение для автоматизации работы добровольцев-людей. Наши ученые-граждане сделали феноменальную работу, но нам нужно было ускорить процесс обработки все большего количества данных. Алгоритм глубокого обучения - намного превзошел мои ожидания. Это смена правил игры для экологии дикой природы».
)
Свенсон, основатель Snapshot Serengeti, добавляет: «В мире существует сотни проектов камерных ловушек, и очень немногие из них способны набирать большие армии человеческих добровольцев для извлечения своих данных. Это означает, что большая часть знаний в этих Важнейших наборах данных остаются неиспользованными. Несмотря на то, что проекты все чаще обращаются к гражданам для классификации изображений, мы начинаем видеть, что для каждой партии изображений требуется все больше времени, поскольку спрос на добровольцев растет. Мы считаем, что глубокое обучение будет ключевым».
"Система искусственного интеллекта не только говорит вам, какой из 48 различных видов животных присутствует, но и говорит вам, сколько их существует и что они делают. Она скажет вам, если они едят, спят, если детеныши присутствуют, и т.д.". «По нашим оценкам, описанный нами технологический процесс глубокого обучения позволит сэкономить более восьми лет усилий по человеческой маркировке на каждые дополнительные 3 миллиона изображений. Это освободит много полезного времени волонтера, которое можно перераспределить, чтобы помочь другим проектам».
Исследователи отмечают, что глубокое обучение все еще быстро улучшается, и они ожидают, что его производительность будет только увеличиваться в ближайшие годы. "Здесь мы хотели продемонстрировать ценность этой технологии сообществу экологии дикой природы. Удивительно думать обо всех различных способах, которыми эта технология может помочь в наших важных научных и природоохранных миссиях».