科學(xué)家開發(fā)了一種人工智能來訓(xùn)練計(jì)算機(jī)來識(shí)別個(gè)體鳥類

一項(xiàng)新的研究提供了一種新方法，可以克服野生鳥類研究中最大的局限之一-可靠地識(shí)別個(gè)體。在這項(xiàng)研究中，科學(xué)家開發(fā)了一種人工智能來訓(xùn)練計(jì)算機(jī)來識(shí)別個(gè)體鳥類。

這項(xiàng)發(fā)表在英國生態(tài)學(xué)會(huì)雜志《生態(tài)與進(jìn)化方法》中的研究描述了使用AI單獨(dú)識(shí)別鳥類的過程。這涉及收集成千上萬張帶有標(biāo)簽的鳥類圖像，然后使用這些數(shù)據(jù)來訓(xùn)練和測(cè)試AI模型。

科學(xué)家們訓(xùn)練了AI模型，以識(shí)別大山雀和善于交織的動(dòng)物的野生種群中的個(gè)體鳥類的圖像，以及圈養(yǎng)的斑馬雀的種群，斑馬雀可能是行為生態(tài)學(xué)中最經(jīng)常想到的有翼生物。訓(xùn)練后，對(duì)AI模型進(jìn)行了測(cè)試，使用了他們以前從未見過的人的圖像，對(duì)野生物種的精確度超過90%，對(duì)于圈養(yǎng)斑馬雀的準(zhǔn)確度超過87%。

在動(dòng)物行為研究中，單獨(dú)識(shí)別動(dòng)物是最昂貴，最耗時(shí)的因素之一，這限制了行為范圍和研究人員可以研究的種群規(guī)模。當(dāng)前的識(shí)別方法，例如將色帶附加到鳥的腿上，也可能給動(dòng)物帶來壓力。

這些問題可以通過AI模型來解決。安德烈·費(fèi)雷拉(AndréFerreira)博士說：“研究人員完全沒有標(biāo)記和操縱的自動(dòng)，非侵入性動(dòng)物識(shí)別方法的開發(fā)代表了該研究領(lǐng)域的突破。最終，有足夠的空間來查找該系統(tǒng)的新應(yīng)用程序并回答過去似乎無法解決的問題。”人工智能需要提供數(shù)千張帶有標(biāo)簽的圖像，以準(zhǔn)確識(shí)別個(gè)人。像Facebook這樣的公司可以這樣做，以達(dá)到人類認(rèn)可的目的，因?yàn)樗鼈儠?huì)處理大量由用戶故意標(biāo)記的不同人的照片。在任何情況下，獲取帶有標(biāo)簽的動(dòng)物照片都是具有挑戰(zhàn)性的，并且已成為研究的瓶頸。

科學(xué)家通過構(gòu)建帶有攝像頭陷阱和傳感器的饋線解決了這個(gè)問題。調(diào)查人群中的大多數(shù)鳥類都帶有被動(dòng)集成應(yīng)答器(PIT)標(biāo)簽，例如植入寵物貓狗中的微芯片。喂鳥器上的天線能夠細(xì)讀這些標(biāo)簽上的鳥的身份并觸發(fā)攝像頭。

對(duì)于動(dòng)物種群進(jìn)行長期監(jiān)測(cè)并保護(hù)物種免受諸如氣候變化等壓力的影響，區(qū)分彼此的動(dòng)物至關(guān)重要。盡管某些物種(例如豹子)具有獨(dú)特的模式，使人類可以通過肉眼識(shí)別它們，但大多數(shù)物種需要附加的視覺標(biāo)識(shí)符，例如鳥腿上的色帶，以便我們區(qū)分它們。即使那樣，這樣的方法也非常耗時(shí)且容易出錯(cuò)。

如本研究所示，人工智能方法使用一種稱為卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)。這些是解決圖像分類問題的最佳選擇。在生態(tài)學(xué)中，這些方法先前已用于識(shí)別物種級(jí)別的動(dòng)物以及個(gè)體靈長類動(dòng)物，豬和大象。但是，到目前為止，還沒有在鳥類等較小的動(dòng)物中進(jìn)行過探索。

安德烈·費(fèi)雷拉(AndréFerreira)博士說：“只要模型中以前知道鳥類，模型就可以從新照片中識(shí)別鳥類。這意味著，如果有新的鳥類加入研究種群，計(jì)算機(jī)將無法識(shí)別它們。”

個(gè)體鳥類的外觀會(huì)隨時(shí)間變化，例如蛻皮，而且還不知道AI模型的性能將如何受到影響。間隔數(shù)月拍攝的同一只鳥的圖像可能被錯(cuò)誤地識(shí)別為不同的個(gè)體。