Nieoczekiwane zastosowanie do rozpoznawania twarzy: śledzenie szympansów

Kategoria: Sztuczna inteligencja Opublikowany wrz 04

Nowy algorytm głębokiego uczenia wyszkolony do rozpoznawania płci i tożsamości dzikich szympansów może pomóc naukowcom lepiej zrozumieć zachowanie zwierząt.

Wiadomości: Rozpoznawanie twarzy zyskało ostatnio złą opinię na temat sposobów, w jakie może być wykorzystywane do naruszania swobód obywatelskich. Ale poza ludzką sferą naukowcy z Oksfordu odkryli nowy, raczej odpowiedni cel technologii: pomóc im w monitorowaniu zachowań i interakcji szympansów. Artykuł opisujący ich badania został opublikowany w Science Advances dzisiaj .

Co oni zrobili: Wykorzystując około 50 godzin materiału nagranego przez 14 lat, naukowcy wyodrębnili 10 milionów obrazów twarzy 23 szympansów i wprowadzili je do głębokiej sieci neuronowej. Powstały model był w stanie zidentyfikować osoby z dokładnością do 93% i prawidłowo sklasyfikować ich płeć w 96% przypadków. W teście porównawczym model wypadł również dwukrotnie lepiej niż eksperci zajmujący się etykietowaniem ludzi, którzy otrzymali prawie godzinę na wykonanie zadania i czterokrotnie lepiej niż nowicjusze, którym podano prawie dwie godziny. Natomiast modelowi zajęło to ułamek sekundy. (Kilka razy to się nie powiodło, najczęściej myliło pupa szympansa z twarzą).

Następnie naukowcy wykorzystali model do analizy interakcji społecznych populacji szympansów. Model ujawnił, że matka i niemowlęta spędzają ze sobą najwięcej czasu, co jest odkryciem, które prawidłowo zgadza się ze zrozumiałymi wzorcami zachowań.

Inne urządzenia śledzące zwierzęta: To nie pierwszy raz, kiedy rozpoznawanie twarzy zostało użyte do śledzenia zwierząt. Podobne narzędzie ChimpFace jest aktywnie wykorzystywane do zwalczać nielegalny handel szympansami , oraz inny studia starali się śledzić lemury, pawiany i inne zagrożone gatunki naczelnych. Naukowcy z najnowszej pracy twierdzą, że ich algorytm poprawia się w porównaniu z poprzednikami, minimalizując ilość wstępnego przetwarzania wymaganego w przypadku surowego materiału filmowego. Podczas gdy poprzednie algorytmy miały problemy z obsługą zmian oświetlenia i słabej jakości obrazu, ich działanie w tych warunkach jest lepsze, ponieważ zostały wytrenowane na bardziej zróżnicowanym zestawie danych.

Dlaczego jest to ważne: Badacze zwierząt często polegają na materiałach wideo, aby śledzić zachowania populacji, które badają w czasie. Ale sortowanie ogromnych ilości danych jest żmudne i czasochłonne, a ręczne etykietowanie może być niedokładne. Model przedstawia obiecującą nową metodę przyspieszania badań nad zachowaniem zwierząt. Można go również wykorzystać do usprawnienia istniejących wysiłków w zakresie śledzenia gatunków zagrożonych i przemycanych.

Aby więcej takich historii trafiało bezpośrednio do Twojej skrzynki odbiorczej, zapisz się do naszego nominowanego przez Webby biuletynu AI The Algorithm. Jest wolne.