计数猎豹:AI帮助塞伦盖蒂保护工作

一篇新论文在《美国国家科学院学报》(PNAS)报告如何先进的人工智能技术深度学习可以自动识别,计数和描述动物的自然栖息地。

照片由运动传感自动收集相机可以自动被深层神经网络。结果是一个系统,可以自动动物识别多达99.3%的图像同时还表现在同一众包的志愿者团队96.6%的准确率。

“这项技术可以让我们准确地、悄悄地和廉价地收集野生动物数据,这将有助于促进生态学的许多领域的变换,野生动物生物学、动物学、保护生物学和动物行为为“大数据”的科学。这将大大提高我们能力的研究和保护野生动物和珍贵的生态系统,“杰夫•Clune说文章的资深作者。他是哈里斯怀俄明大学的副教授,高级研究经理超级人工智能实验室。

本文作者是Clune;他的博士生穆罕默德Sadegh Norouzzadeh;他以前的博士生安阮(现在在奥本大学);玛格丽特Kosmala(哈佛大学);阿里Swanson(牛津大学);梅瑞迪斯帕默和克雷格•帕克(明尼苏达大学)。

深计算智能神经网络是一种松散的灵感来自动物的大脑如何看待和理解这个世界。他们需要大量的训练数据,数据必须准确地标记(例如,每个图像被正确标记哪些物种动物的存在,有多少,等等)。

本研究获得了必要的数据快照塞伦盖蒂,一个公民科学项目在www.zooniverse.org平台。快照塞伦盖蒂已经部署了大量的“相机陷阱”(运动传感摄像头)在坦桑尼亚,收集数以百万计的图像在自然栖息地的动物,比如狮子、美洲豹、猎豹和大象。这些照片只是有用的信息一旦被转化成文本和数字。多年来,提取这些信息的最佳方法是让众包的志愿者团队手动标签每个图像。今天公布的研究利用320万标记图像以这种方式由50000多名志愿者在数年。

“当我告诉杰夫Clune我们有320万标记图像,他停在铁轨,”帕克说,塞伦盖蒂项目负责人快照。“我们想测试我们是否能够使用机器学习自动化人类志愿者的工作。我们公民的科学家所做的工作,但我们需要加快处理的数据量越来越大。深度学习算法是惊人的,远远超过了我的预期。这是一个野生动物生态学的游戏规则改变者。”

Swanson建立快照塞伦盖蒂,补充道:“世界上有成百上千的特征项目,其中很少能够招募大批志愿者,来提取数据。这意味着,在这些重要的知识数据集仍然是尚未开发的。虽然项目越来越多公民科学图像分类,我们开始看到它需要更长的时间和更长的标签每一批图像随着对志愿者的需求增长。我们相信在缓解瓶颈深度学习将是关键特征项目:将图像转化为可用数据的努力。”

“人工智能系统不仅告诉你的48个不同种类的动物,但它也会告诉你有多少,他们在做什么。它会告诉你如果他们吃饭、睡觉,如果婴儿礼物,等等,”Kosmala补充道,另一个快照塞伦盖蒂的领袖。“我们估计深度学习技术管道我们描述将节省超过8年的人类标签努力为每个额外的300万张照片。这是很多宝贵的志愿者时间可以重新部署来帮助其他项目。”

第一作者Sadegh Norouzzadeh指出“深度学习仍在迅速提高,我们希望它的性能在未来几年只会变得更好。在这里,我们想展示技术价值的野生动物生态社区,但我们预计,随着越来越多的人研究如何提高深度学习对于这个应用程序和发布自己的数据集,天空的极限。这是令人兴奋的想各种不同的方法这一技术可以帮助我们的重要的科学和保护任务。”

这篇文章被转载材料提供的怀俄明大学。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:Norouzzadeh, m . S。阮,。Kosmala, M。Swanson,。,帕默,m . S。封隔器,C。、Clune & j . (2018)。自动识别、计算和描述野生动物在特征图像与深度学习。美国国家科学院院刊》上,201719367。https://doi.org/10.1073/pnas.1719367115