Was passiert, wenn die Gesichtserkennung bei Vögeln angewendet wird? Wissenschaft erklärt

Als Vogelbeobachter hatte ich gehört, dass Sie, wenn Sie den Federn der Spindeln, die Ihre Vogelfutterstationen besuchten, besondere Aufmerksamkeit schenken, einzelne Vögel erkennen könnten. Das hat mich fasziniert. Ich ging sogar so weit, Vögel an meinen eigenen Feedern zu skizzieren, und hatte dies bis zu einem gewissen Punkt für richtig gehalten.

Während meiner Zeit als Informatiker wusste ich, dass andere Forscher maschinelle Lerntechniken verwendet hatten, um einzelne Gesichter in digitalen Bildern mit hoher Genauigkeit zu erkennen.

Bei diesen Projekten habe ich überlegt, wie ich mein Hobby mit meinem Tagesjob verbinden könnte. Wäre es möglich, diese Techniken anzuwenden, um einzelne Vögel zu identifizieren?

Also baute ich ein Werkzeug zum Sammeln von Daten: eine Art Vogelzufuhr, die von Spechten und einer bewegungsaktivierten Kamera bevorzugt wird. Ich baute meine Überwachungsstation in meinem Vorort von Virginia auf und wartete, bis die Vögel auftauchten.

Bildklassifizierung

Die Bildklassifizierung ist ein heißes Thema in der Tech-Welt. Große Unternehmen wie Facebook, Apple und Google untersuchen dieses Problem aktiv und bieten Dienste wie visuelle Suche, automatische Kennzeichnung von Freunden in Social-Media-Posts und die Möglichkeit, Ihr Mobiltelefon zum Entsperren Ihres Handys zu verwenden. Auch die Strafverfolgungsbehörden sind sehr daran interessiert, in erster Linie Gesichter in digitalen Bildern zu erkennen.

Als ich anfing, mit meinen Studenten an diesem Projekt zu arbeiten, konzentrierte sich die Bildklassifizierungsforschung auf eine Technik, bei der Bildmerkmale wie Kanten, Ecken und Bereiche ähnlicher Farbe betrachtet wurden. Dies sind oft Stücke, die zu einem erkennbaren Objekt zusammengefügt werden können. Diese Ansätze waren zu rund 70 Prozent genau und verwendeten Benchmark-Datensätze mit Hunderten von Kategorien und Zehntausenden von Trainingsbeispielen.

Neuere Forschungen haben sich auf die Verwendung künstlicher neuronaler Netze verlagert, die ihre eigenen Merkmale identifizieren, die sich für eine genaue Klassifizierung als am nützlichsten erweisen. Neuronale Netzwerke werden sehr lose an den Kommunikationsmustern zwischen Neuronen im menschlichen Gehirn modelliert. Konvolutionelle neuronale Netze, die wir heute in unserer Arbeit mit Vögeln verwenden, werden auf eine Art und Weise modifiziert, die dem visuellen Kortex nachempfunden ist. Das macht sie besonders für Bildklassifizierungsprobleme geeignet.

Einige andere Forscher haben bereits ähnliche Techniken an Tieren ausprobiert. Ich wurde zum Teil vom Informatiker Andrea Danyluk vom Williams College inspiriert, der maschinelles Lernen verwendet hat, um einzelne gefleckte Salamander zu identifizieren. Dies funktioniert, weil jeder Salamander ein ausgeprägtes Fleckenmuster aufweist.

Fortschritt bei der Vogelidentifikation

Während meine Schüler und ich nicht annähernd so viele Bilder zur Verfügung hatten wie die meisten anderen Forscher und Unternehmen, hatten wir den Vorteil einiger Einschränkungen, die die Genauigkeit unserer Klassifizierer verbessern könnten.

Alle unsere Bilder wurden aus derselben Perspektive aufgenommen, hatten dieselbe Skalierung und fielen in eine begrenzte Anzahl von Kategorien. Insgesamt besuchten nur etwa 15 Arten in meiner Gegend den Feeder. Von diesen wurden nur zehn häufig genug besucht, um eine nützliche Grundlage für das Training eines Klassifikators zu schaffen.

Die begrenzte Anzahl von Bildern war ein eindeutiges Handicap, aber die geringe Anzahl von Kategorien hat zu unseren Gunsten beigetragen. Ein frühes Projekt, das auf einem Gesichtserkennungsalgorithmus basiert, erreicht eine Erkennungsgenauigkeit von etwa 85 Prozent - gut genug, um uns für das Problem zu interessieren, wenn erkannt wurde, ob der Vogel in einem Bild ein Meise, ein Carolina-Zaunkönig, ein Kardinal oder etwas anderes war.

Das Erkennen von Vögeln in Bildern ist ein Beispiel für eine "feinkörnige Klassifizierungsaufgabe", dh der Algorithmus versucht, zwischen Objekten zu unterscheiden, die sich nur geringfügig voneinander unterscheiden. Viele Vögel, die bei Futtergebern auftauchen, haben etwa die gleiche Form. Daher kann es für erfahrene menschliche Beobachter sehr schwierig sein, den Unterschied zwischen einer Art und einer anderen zu unterscheiden.

Die Herausforderung steigt nur dann an, wenn Sie versuchen, Personen zu identifizieren. Für die meisten Arten ist dies einfach nicht möglich. Die Spechte, an denen ich interessiert war, haben ein stark gemustertes Gefieder, sind aber von Individuum zu Individuum immer noch weitgehend ähnlich.

Eine unserer größten Herausforderungen war also die menschliche Aufgabe, die Daten zu kennzeichnen, um unseren Klassifikator zu trainieren. Ich fand heraus, dass die Kopffedern von Flaumspechten keine zuverlässige Unterscheidung zwischen Individuen waren, da sich diese Federn viel bewegen. Sie werden von den Vögeln benutzt, um Irritation oder Alarm auszudrücken. Die Fleckenmuster auf den gefalteten Flügeln sind jedoch gleichmäßiger und scheinen gut zu funktionieren, um sich voneinander zu unterscheiden. Diese Flügelfedern waren fast immer in unseren Bildern zu sehen, während die Kopfmuster je nach Kopfwinkel des Vogels verdeckt werden konnten.

Am Ende hatten wir 2.450 Bilder von acht verschiedenen Spechten. Bei der Identifizierung einzelner Spechte erreichten unsere Experimente eine Genauigkeit von 97 Prozent. Dieses Ergebnis bedarf jedoch einer weiteren Überprüfung.

Wie kann dies Vögel helfen?

Ornithologen benötigen genaue Daten darüber, wie sich Vogelpopulationen im Laufe der Zeit verändern. Da viele Arten in Bezug auf ihre Lebensraumbedürfnisse in Bezug auf Zucht, Überwinterung und Migration sehr spezifisch sind, könnten feinkörnige Daten hilfreich sein, um über die Auswirkungen einer sich verändernden Landschaft nachzudenken. Die Daten zu einzelnen Arten, wie etwa Launspechten, könnten dann mit anderen Informationen abgeglichen werden, z. B. Landnutzungskarten, Wettermuster, Bevölkerungswachstum der Bevölkerung usw., um die Abundanz lokaler Arten über die Zeit besser zu verstehen.

Ich glaube, dass eine halbautomatische Überwachungsstation zu geringen Kosten in Reichweite ist. Meine Überwachungsstation kostete rund 500 US-Dollar. Jüngste Studien weisen darauf hin, dass es möglich sein sollte, einen Klassifikator mit einer viel breiteren Gruppe von Bildern zu trainieren und ihn dann schnell und mit vernünftigen Rechenanforderungen abzustimmen, um einzelne Vögel zu erkennen.

Projekte wie das eBell von Cornell Laboratory of Ornithology haben eine kleine Armee von Bürgerwissenschaftlern für die Überwachung der Populationsdynamik eingesetzt, aber der Großteil dieser Daten stammt eher aus Orten, an denen viele Menschen sind, als aus Orten, die für Wissenschaftler von besonderem Interesse sind.

Ein automatisierter Überwachungsstationsansatz könnte einen Multiplikator für Wildtierbiologen darstellen, der sich mit bestimmten Arten oder bestimmten Orten befasst. Dies würde ihre Fähigkeit erweitern, Daten mit minimalem menschlichem Eingriff zu sammeln.

Dieser Artikel wurde ursprünglich auf The Conversation von Lewis Barnett veröffentlicht. Lesen Sie hier den Originalartikel.