Kiscsillag - Idáig tudom a történetet 1-2.
Tartalomjegyzék:
Mint birder, hallottam, hogy ha óvatosan figyelsz a madáradagolót meglátogató nyálkás szarvasok fejeire, elkezdheted az egyes madarak felismerését. Ez érdekel. Még olyan messzire mentem, hogy megpróbáltam a madarakat vonni a saját adagolóimra, és úgy találta, hogy ez igaz, akár egy pontig.
Időközben számítógépes tudósként végzett munkámban tudtam, hogy más kutatók gépi tanulási technikákat alkalmaztak a digitális képek egyedi arcainak felismerésére nagy pontossággal.
Ezek a projektek arra gondoltak, hogy hogyan kombináljam a hobbim a napi munkámmal. Lehetséges lenne ezeket az eljárásokat alkalmazni az egyes madarak azonosítására?
Szóval, egy eszközt építettem az adatok gyűjtésére: egy fajtájú madáretető és egy mozgásaktivált kamera. A megfigyelő állomást a külvárosi Virginia udvaromban állítottam fel és vártam, hogy a madarak megjelennek.
Képosztályozás
A képosztályozás forró téma a tech világban. A nagy cégek, mint a Facebook, az Apple és a Google, aktívan kutatják ezt a problémát, hogy olyan szolgáltatásokat nyújtsanak, mint a vizuális keresés, a barátok automatikus címkézése a közösségi médiában, és az arcát a mobiltelefon feloldásához. A bűnüldöző szervek is nagyon érdekeltek, elsősorban az arcok felismerése a digitális képekben.
Amikor elkezdtem dolgozni a diákjaimmal ezen a projekten, a képosztályozási kutatás olyan technikára összpontosított, amely a képi jellemzőket nézte, mint a szélei, sarkai és a hasonló színű területek. Ezek gyakran olyan darabok, amelyek egyes felismerhető objektumokba kerülhetnek. Ezek a megközelítések körülbelül 70 százalékos pontosságúak voltak, és több száz kategóriát és tízezer képzési példát használtak a referenciaérték-adatállományok segítségével.
A legújabb kutatások a mesterséges neurális hálózatok használatára irányultak, amelyek azonosítják a saját besorolásuk szempontjából leghasznosabb tulajdonságaikat. A neurális hálózatokat nagyon lazán modellezzük az emberi agy neuronjai közötti kommunikációs mintákra. A konvolúciós neurális hálózatok, a madarakkal végzett munkánkban jelenleg használt típusok a vizuális kéregben modellezett módon módosulnak. Ez különösen alkalmas a képosztályozási problémákra.
Néhány más kutató már próbált hasonló technikákat az állatokon. Részben Andrea Danyluk számítógépes tudós inspirálta a Williams College-tól, aki gépi tanulást használt az egyes foltos salamanderek azonosítására. Ez azért működik, mert mindegyik szalamandernek jellegzetes foltja van.
A Bird ID előrehaladása
Míg a diákjaim és én nem volt olyan sok képünk, amellyel a legtöbb más kutató és vállalat dolgozhatna, előnyeink voltak annak, hogy bizonyos korlátozások növelhetik osztályozónk pontosságát.
Minden képünk ugyanabból a szempontból készült, ugyanolyan méretű volt és korlátozott számú kategóriába került. Mindent elmondva, csak mintegy 15 faj látogatott meg a takarmányozót az én területemen. Ezek közül csak 10 látogatott elég gyakran ahhoz, hogy hasznos alapot biztosítson az osztályozó képzéséhez.
A korlátozott számú kép határozott hátrány volt, de a kis kategóriák száma a mi javunkra törekedett. Amikor felismertük, hogy a képen látható madár egy chickadee, egy Carolina wren, egy bíboros vagy valami más, egy korai projekt, amely egy arcfelismerő algoritmuson alapul, elérte a 85 százalékos pontosságot - elég jó ahhoz, hogy érdekeljenek a problémában.
A képekben a madarak azonosítása egy „finomszemcsés besorolás” feladat példája, ami azt jelenti, hogy az algoritmus megkísérli megkülönböztetni az objektumokat, amelyek csak kissé eltérnek egymástól. Számos madár, amely a táplálkozóknál jelenik meg, nagyjából ugyanolyan formájú, így az egyik faj és a másik közötti különbség elmondása elég nehéz lehet, még a tapasztalt emberi megfigyelők számára is.
A kihívás csak akkor emelkedik fel, amikor megpróbál azonosítani az egyéneket. A legtöbb faj esetében ez egyszerűen nem lehetséges. Az érdekelt farkasok erősen mintázott tollazattal rendelkeznek, de még mindig nagyban hasonlítanak az egyéntől az egyénhez.
Tehát az egyik legnagyobb kihívásunk az volt, hogy az adatoknak az osztályozónk edzéséhez való címkézése volt az emberi feladat. Megállapítottam, hogy a nyálkás szarvasok fej tollai nem voltak megbízható módszerek az egyének megkülönböztetésére, mert ezek a tollak sokat mozognak. A madarak az irritációt vagy riasztást fejezik ki. Azonban a hajtogatott szárnyakon a foltok mintázatai következetesebbek és úgy tűnt, hogy csak jól működnek, hogy elmondják a másiknak. Ezek a szárnyak szinte mindig láthatóak voltak a képeinkben, míg a fejmintákat a madárfej szögétől függően elhomályosították.
Végül 2450 kép volt nyolc különböző nyakból. Amikor egyedülálló tüskéket azonosítottunk, kísérleteink 97% -os pontosságot értek el. Ez az eredmény azonban további ellenőrzést igényel.
Hogyan segíthet ez a madarak?
Az ornitológusoknak pontos adatokra van szükségük a madárállományok időbeli változásairól. Mivel sok faj nagyon sajátos az élőhely szükségleteikben a tenyésztés, a télelés és a migráció tekintetében, a finomszemcsés adatok hasznosak lehetnek a változó táj hatásainak megfontolására. Az egyes fajok, például a nyálkás szarvasok adatait ezután össze lehetne illeszteni más információkkal, mint például a földhasználati térképek, időjárási minták, az emberi népesség növekedése stb., Hogy jobban megértsük a helyi fajok bőségét az idő múlásával.
Úgy vélem, hogy egy félvezető felügyeleti állomás mérsékelt költséggel elérhető. A megfigyelő állomása 500 dollárba kerül. A legújabb tanulmányok azt sugallják, hogy lehetővé kell tenni, hogy egy osztályozót sokkal szélesebb képcsoport segítségével képezzünk, majd gyorsan és finom számítással finomítsuk az egyes madarak felismerését.
A Cornell Laboratory of Ornithology eBird projektjei egy kis állampolgári tudósok hadseregét helyezték el a népesség dinamikájának figyelemmel kísérésére, de ezeknek az adatoknak a nagy része inkább olyan helyeken található, ahol sok ember van, nem pedig a tudósok számára különleges helyekről.
Az automatizált felügyeleti állomás megközelítése erő-szorzót eredményezhet a vadon élő biológusok számára, akik az adott fajok vagy adott helyek vonatkozásában érintettek. Ez a lehető legkisebb emberi beavatkozással bővítené képességüket.
Ezt a cikket eredetileg Lewis Barnett The Conversation című kiadványában tették közzé. Olvassa el az eredeti cikket itt.
Mi történik, ha a Föld magja hideg lett? Tudomány magyarázza
- Mi történne, ha a Föld magja már nem olvad meg forró? A Föld magja nagyon lassan túlóráz, de egy nap, amikor a mag teljesen lehűlt és szilárdvá válik, nagy hatással lesz az egész bolygón, ami megnehezíti az élet életét.
Szerző magyarázza az „Elon Musk Effect” -et: Mi történik, amikor elfogadja Önt?
Április 15-én délután 2 órakor a csendes-óceáni idő, a tiszta energia és a vasárnapi süti sütő, Elon Musk tweetelt ki: „A korreláció nem ok-okozati összefüggés, vagy…? A tweet a Tyler Vigen Spurious Correlations könyvének weboldalára mutató linket tartalmazott. A vasárnap és hétfő között az egyetlen említés a wee órákban a Vigennek adta ...
Tudomány magyarázza, hogy miért van az ötödik szabály teljes egészében bosszú
Az öt másodperces szabálynak igazán magasnak kell lennie minden olyan listán, amit az emberek hisznek, még akkor is, ha nem tudják, honnan tanulták meg. Ahogy az ötletek elmegyek, a fellebbezés egyszerű és átkozott univerzális: végül is egy kész kifogás, hogy ne kelljen megszabadulnia a tökéletesen jó ételektől, csak azért, mert ...