얼굴 인식이 새들에게 사용되면 어떻게됩니까? 과학에 대한 설명

대들보로서, 나는 당신이 새 모이통을 방문한 솜털 딱따구리의 머리 깃에주의를 기울이면 개개의 새를 인식하기 시작할 수 있다고 들었습니다. 이것은 나를 흥미롭게 만들었다. 나는 심지어 나 자신의 모이통에서 새를 스케치하려고 시도했고, 이것이 사실 일 때까지 발견했다.

그동안 컴퓨터 과학자로 일하면서 다른 연구자들이 기계 학습 기술을 사용하여 고도의 정확도로 디지털 이미지의 개별 얼굴을 인식한다는 것을 알았습니다.

이 프로젝트들은 내 취미를 내 직업과 결합시키는 방법에 대해 생각하게했다. 개별 조류를 확인하기 위해 이러한 기술을 적용 할 수 있을까요?

그래서 저는 딱따구리가 선호하는 조류 피더 (bird feeder)의 유형과 동작 감지 카메라 (motion-activated camera)라는 데이터를 수집하는 도구를 만들었습니다. 나는 나의 교외 버지니아 마당에 내 모니터링 스테이션을 설치하고 새들이 나타나기를 기다렸다.

이미지 분류

이미지 분류는 기술 분야에서 가장 뜨거운 주제입니다. Facebook, Apple, Google과 같은 주요 업체는 시각적 검색, 소셜 미디어 게시물의 친구 자동 태그 지정 및 얼굴 인식을 사용하여 휴대폰을 잠금 해제하는 기능과 같은 서비스를 제공하기 위해이 문제를 적극적으로 조사하고 있습니다. 법 집행 기관은 주로 디지털 이미지의 얼굴을 인식하는 데 매우 관심이 있습니다.

이 프로젝트에서 학생들과 함께 작업하기 시작했을 때, 이미지 분류 연구는 모서리, 모서리 및 유사한 색의 영역과 같은 이미지 피쳐를 관찰하는 기술에 중점을 두었습니다. 이것들은 종종 인식 가능한 대상으로 조립 될 수있는 조각입니다. 이러한 접근 방식은 수백 가지 카테고리와 수만 가지의 교육 사례가 포함 된 벤치 마크 데이터 세트를 사용하여 약 70 % 정확했습니다.

최근의 연구는 정확한 분류에 가장 유용한 자신의 특징을 식별하는 인공 신경 네트워크의 사용으로 옮겨갔습니다. 신경망은 인간 두뇌의 뉴런 사이의 통신 패턴에 매우 느슨하게 모델링됩니다. 조류와 함께 작업 할 때 사용하는 컨볼 루션 뉴럴 네트워크 (convolutional neural networks)는 시각 피질을 모델로하여 수정되었습니다. 따라서 이미지 분류 문제에 특히 적합합니다.

일부 다른 연구자들은 이미 동물들에게 비슷한 기술을 시도해 왔습니다. 나는 컴퓨터 과학자 인 Andrea Danyluk (윌리엄스 대학)에 의해 부분적으로 영감을 얻었습니다. 이것은 각각의 도롱뇽이 특이한 반점 패턴을 가지고 있기 때문에 효과가 있습니다.

버드 ID 진행 상황

학생과 나는 거의 대부분의 다른 연구자 및 회사와 함께 사용할 수있는 이미지가 거의 없었지만 분류 기준의 정확성을 높일 수있는 몇 가지 제약 조건이있었습니다.

우리의 모든 이미지는 동일한 관점에서 취해졌으며 동일한 규모 였고 제한된 수의 범주로 분류되었습니다. 모두들, 약 15 종만 내 지역의 피더를 방문했습니다. 그 중 10 명만이 자주 분류자를 훈련시키는 데 유용한 기초를 제공하기에 충분했습니다.

제한된 수의 이미지가 명확한 핸디캡 이었지만 소수의 카테고리만으로도 유리했습니다. 이미지의 새가 chickadee, 캐롤라이나 렌이나 추기경인지 아닌지를 인식 할 때 얼굴 인식 알고리즘을 기반으로 한 초기 프로젝트는 약 85 %의 정확도를 달성했습니다. 이는 우리가 문제에 관심을 가지기에 충분합니다.

이미지에서 새를 식별하는 것은 "세분화 된 분류"작업의 한 예입니다. 즉 알고리즘이 서로 약간 다른 객체를 차별화하려고 시도한다는 의미입니다. 지류에서 나타나는 많은 새들은 대략 같은 모양입니다. 그래서 한 종과 다른 종 사이의 차이를 경험할 수있는 사람의 관찰자들조차도 꽤 어려울 수 있습니다.

도전은 개인을 식별하려고 할 때만 기울어집니다. 대부분의 종은 단순히 불가능합니다. 제가 관심을 가지고있는 딱따구리는 깃털 무늬가 강하게 무늬 지어졌지만 아직도 개인마다 크게 다릅니다.

따라서 가장 큰 과제 중 하나는 분류자를 교육하기 위해 데이터에 라벨을 지정하는 작업이었습니다. 나는 깃털이 많이 움직이기 때문에 솜 털 딱따구리의 머리 깃은 개인을 구별하는 신뢰할만한 방법이 아니라는 사실을 발견했습니다. 그들은 새들이 자극이나 경각심을 표하기 위해 사용합니다. 그러나 접힌 날개 위의 반점의 패턴은보다 일관적이고 서로에게 말하기 위해 잘 작동하는 것처럼 보였습니다. 그 날개 깃은 거의 항상 우리의 이미지에서 볼 수 있었고 머리 모양은 새 머리의 각도에 따라 가려 질 수있었습니다.

결국, 우리는 8 개의 다른 딱따구리를 2,450 장 가지고있었습니다. 개별 딱따구리를 식별 할 때 우리의 실험은 97 %의 정확도를 달성했습니다. 그러나 그 결과는 추가 확인이 필요합니다.

어떻게 새들을 도울 수 있습니까?

조류 학자들은 조류 개체군이 시간에 따라 어떻게 변화하는지에 대한 정확한 데이터가 필요합니다. 많은 종들이 번식, 겨울과 이주에 관해서 그들의 서식지 요구에 매우 특정 적이기 때문에 세밀한 데이터는 변화하는 풍경의 효과에 대해 생각할 때 유용 할 수 있습니다. 딱딱한 딱따구리와 같은 개별 종에 대한 데이터는 토지 이용지도, 기상 패턴, 인간 인구 증가 등과 같은 다른 정보와 일치 할 수있어 시간이 지남에 따라 지역 종의 풍부함을 더 잘 이해할 수 있습니다.

나는 반자동 모니터링 스테이션이 적당한 비용에 도달했다고 믿는다. 모니터링 센터 비용은 미화 500 달러입니다. 최근 연구에 따르면 훨씬 더 광범위한 이미지 그룹을 사용하여 분류자를 훈련시킨 다음 신속하게 조정하고 개별 조류를 인식 할 수있는 합리적인 계산 요구 사항으로 미세 조정할 수 있어야합니다.

Cornell 조류 과학 연구소의 eBird와 같은 프로젝트는 인구 역학 모니터링을 위해 소규모의 시민 과학자 군대를 기반으로하고 있지만 이러한 데이터의 대부분은 과학자에 대한 특정 관심사가 아닌 사람들이 많은 위치에서 나오는 경향이 있습니다.

자동화 된 모니터링 스테이션 접근법은 특정 종이나 특정 위치와 관련된 야생 생물 학자에게 힘 배가를 제공 할 수 있습니다. 이는 최소한의 인간 개입으로 데이터 수집 능력을 확대 할 것입니다.

이 기사는 원래 Lewis Barnett의 The Conversation에 게시되었습니다. 여기에 원본 기사를 읽으십시오.