Netikėtas veido atpažinimo panaudojimas: šimpanzių sekimas

Kategorija: Dirbtinis intelektas Paskelbta rugsėjo 04 d

Naujas giluminio mokymosi algoritmas, išmokytas atpažinti laukinių šimpanzių lytį ir tapatybę, galėtų padėti mokslininkams geriau suprasti gyvūnų elgesį.

Naujienos: Veido atpažinimo funkcija pastaruoju metu sukėlė blogą repavimą dėl būdų, kaip juo būtų galima piktnaudžiauti pažeidžiant pilietines laisves. Tačiau už žmogaus sferos ribų Oksfordo mokslininkai atrado naują, gana tinkamą šios technologijos tikslą: padėti jiems stebėti šimpanzių elgesį ir sąveiką. Straipsnis, kuriame aprašomas jų tyrimas Šiandien buvo paskelbta žurnale Science Advances .

Ką jie padarė: Naudodami maždaug 50 valandų per 14 metų filmuotą medžiagą, mokslininkai ištraukė 10 milijonų 23 šimpanzių veidų vaizdų ir įtraukė juos į gilų neuronų tinklą. Gautas modelis galėjo identifikuoti asmenis iki 93% tikslumu ir teisingai klasifikuoti jų lytį iki 96% laiko. Atliekant palyginimo testą, modelis taip pat pasirodė dvigubai geriau, kai patyrę etikečių kūrėjai užduočiai atlikti skyrė beveik valandą ir keturis kartus geriau nei naujokai, skyrę beveik dvi valandas. Modelis, priešingai, užtruko sekundės dalį. (Keletą kartų nepavykdavo, šimpanzės buferis dažniausiai būdavo painiojamas su veidu.)

Tada mokslininkai naudojo modelį šimpanzių populiacijos socialinei sąveikai analizuoti. Modelis atskleidė, kad motina ir kūdikiai daugiausia laiko praleido kartu, o tai teisingai atitinka suprantamus elgesio modelius.

Kiti gyvūnų sekėjai: Tai ne pirmas kartas, kai veido atpažinimas naudojamas gyvūnams sekti. „ChimpFace“, panašus įrankis, aktyviai naudojamas kovoti su nelegalia šimpanzių prekyba , ir kitas studijos siekė atsekti lemūrus, babuinus ir kitas nykstančių primatų rūšis. Naujausiame darbe mokslininkai teigia, kad jų algoritmas patobulintas, palyginti su pirmtakais, sumažindamas neapdorotos filmuotos medžiagos išankstinio apdorojimo kiekį. Nors ankstesni algoritmai turėjo problemų tvarkydami apšvietimo pokyčius ir prastą vaizdo kokybę, jų algoritmai tokiomis sąlygomis veikia geriau, nes buvo parengti naudojant įvairesnį duomenų rinkinį.

Kodėl tai svarbu: Gyvūnų tyrinėtojai dažnai remiasi vaizdo medžiaga, kad galėtų stebėti tiriamų populiacijų elgesį laikui bėgant. Tačiau rūšiuoti didelius duomenų kiekius yra nuobodu ir atima daug laiko, o rankinis ženklinimas gali būti netikslus. Modelis demonstruoja perspektyvų naują metodą gyvūnų elgsenos tyrimams paspartinti. Jis taip pat galėtų būti naudojamas siekiant pagerinti esamas pastangas sekti nykstančias ir nelegalias rūšis.

Jei norite, kad daugiau tokių istorijų būtų pristatyta tiesiai į jūsų pašto dėžutę, užsiprenumeruokite Webby nominuotą AI informacinį biuletenį The Algorithm. Tai nemokama.