Cosa succede quando il riconoscimento facciale viene usato sugli uccelli? La scienza spiega

Come birder, avevo sentito dire che se prestavi particolare attenzione alle penne della testa sui picchi lanuginosi che visitavano i tuoi mangiatori di uccelli, potevi iniziare a riconoscere i singoli uccelli. Questo mi ha incuriosito. Mi sono spinto fino al punto di provare a disegnare uccelli ai miei stessi alimentatori e ho trovato questo vero, fino a un certo punto.

Nel frattempo, nella mia giornata di lavoro come informatico, sapevo che altri ricercatori avevano usato tecniche di apprendimento automatico per riconoscere i singoli volti nelle immagini digitali con un alto grado di precisione.

Questi progetti mi hanno fatto riflettere su come combinare il mio hobby con il mio lavoro diurno. Sarebbe possibile applicare tali tecniche per identificare i singoli uccelli?

Così, ho costruito uno strumento per raccogliere dati: un tipo di mangiatoia per uccelli preferito dai picchi e una telecamera attivata dal movimento. Ho installato la mia stazione di monitoraggio nel mio cortile suburbano della Virginia e ho aspettato che gli uccelli si presentassero.

Classificazione delle immagini

La classificazione delle immagini è un tema caldo nel mondo della tecnologia. Grandi aziende come Facebook, Apple e Google stanno attivamente ricercando questo problema per fornire servizi come la ricerca visiva, la codifica automatica degli amici nei post dei social media e la possibilità di usare il tuo viso per sbloccare il tuo cellulare. Anche le forze dell'ordine sono molto interessate, soprattutto per riconoscere i volti nelle immagini digitali.

Quando ho iniziato a lavorare con i miei studenti su questo progetto, la ricerca sulla classificazione delle immagini si è concentrata su una tecnica che considera le caratteristiche dell'immagine come bordi, angoli e aree di colore simile. Questi sono spesso pezzi che potrebbero essere assemblati in un oggetto riconoscibile. Questi approcci erano accurati al 70% circa, utilizzando set di dati di riferimento con centinaia di categorie e decine di migliaia di esempi di formazione.

La ricerca recente si è spostata verso l'uso di reti neurali artificiali, che identificano le proprie caratteristiche che si dimostrano più utili per una classificazione accurata. Le reti neurali sono modellate in modo molto approssimativo sui modelli di comunicazione tra i neuroni nel cervello umano. Le reti neuronali involutive, il tipo che stiamo usando nel nostro lavoro con gli uccelli, sono modificate in modi che sono stati modellati sulla corteccia visiva. Ciò li rende particolarmente adatti ai problemi di classificazione delle immagini.

Alcuni altri ricercatori hanno già provato tecniche simili sugli animali. Sono stato ispirato in parte dall'informatica Andrea Danyluk del Williams College, che ha utilizzato l'apprendimento automatico per identificare le salamandre macchiate individualmente. Funziona perché ogni salamandra ha uno schema distintivo di macchie.

Progresso su Bird ID

Mentre i miei studenti e io non avevamo quasi tante immagini con cui lavorare come la maggior parte degli altri ricercatori e aziende, abbiamo avuto il vantaggio di alcuni vincoli che potrebbero migliorare la precisione del nostro classificatore.

Tutte le nostre immagini sono state prese dalla stessa prospettiva, avevano la stessa scala e sono cadute in un numero limitato di categorie. Tutto sommato, solo 15 specie hanno visitato l'alimentatore nella mia zona. Di questi, solo 10 visitati abbastanza spesso da fornire una base utile per la formazione di un classificatore.

Il numero limitato di immagini era un handicap definito, ma il piccolo numero di categorie ha funzionato a nostro favore. Quando si trattava di riconoscere se l'uccello in un'immagine fosse una cicala, uno scricciolo della Carolina, un cardinale o qualcos'altro, un primo progetto basato su un algoritmo di riconoscimento facciale ha ottenuto un'accuratezza dell'85 percento - abbastanza buono da farci preoccupare del problema.

Identificare gli uccelli nelle immagini è un esempio di un compito di "classificazione a grana fine", nel senso che l'algoritmo cerca di discriminare tra gli oggetti che sono solo leggermente diversi gli uni dagli altri. Molti uccelli che si presentano all'alimentatore hanno all'incirca la stessa forma, per esempio, quindi la differenza tra una specie e l'altra può essere piuttosto difficile, anche per osservatori umani esperti.

La sfida aumenta solo quando si tenta di identificare le persone. Per la maggior parte delle specie, semplicemente non è possibile. I picchi che mi interessavano hanno un piumaggio fortemente modellato, ma sono ancora in gran parte simili da individuo a individuo.

Quindi, una delle nostre maggiori sfide era il compito umano di etichettare i dati per addestrare il nostro classificatore. Ho scoperto che le piume della testa dei picchi lanuginosi non erano un modo affidabile per distinguere gli individui, perché quelle piume si muovono molto. Sono usati dagli uccelli per esprimere irritazione o allarme. Tuttavia, i modelli di macchie sulle ali piegate sono più coerenti e sembravano funzionare bene per distinguere l'uno dall'altro. Quelle penne delle ali erano quasi sempre visibili nelle nostre immagini, mentre i motivi della testa potevano essere oscurati a seconda dell'angolo della testa dell'uccello.

Alla fine, abbiamo avuto 2.450 foto di otto picchi diversi. Quando si trattava di identificare i singoli picchi, i nostri esperimenti hanno ottenuto una precisione del 97%. Tuttavia, tale risultato necessita di ulteriori verifiche.

Come può aiutare gli uccelli?

Gli ornitologi hanno bisogno di dati accurati su come le popolazioni di uccelli cambiano nel tempo. Dal momento che molte specie sono molto specifiche nei loro bisogni di habitat in termini di allevamento, svernamento e migrazione, i dati a grana fine potrebbero essere utili per riflettere sugli effetti di un paesaggio che cambia. I dati su singole specie come i picchi lanuginosi potrebbero quindi essere associati ad altre informazioni, come mappe di uso del suolo, modelli meteorologici, crescita della popolazione umana e così via, per comprendere meglio l'abbondanza di una specie locale nel tempo.

Credo che una stazione di monitoraggio semiautomatica sia a portata di mano a un costo modesto. La mia stazione di monitoraggio costa circa $ 500. Studi recenti suggeriscono che dovrebbe essere possibile formare un classificatore usando un gruppo di immagini molto più ampio, quindi perfezionarlo rapidamente e con richieste computazionali ragionevoli per riconoscere i singoli uccelli.

Progetti come l'EBird di Cornell Laboratory of Ornithology hanno messo sul campo un piccolo esercito di cittadini scienziati per monitorare le dinamiche della popolazione, ma la maggior parte di questi dati tende ad essere da luoghi in cui le persone sono numerose, piuttosto che da luoghi di interesse specifico per gli scienziati.

Un approccio automatizzato alla stazione di monitoraggio potrebbe fornire un moltiplicatore di forze per i biologi della fauna selvatica interessati a specifiche specie o posizioni specifiche. Ciò amplierebbe la loro capacità di raccogliere dati con un intervento umano minimo.

Questo articolo è stato originariamente pubblicato su The Conversation di Lewis Barnett. Leggi l'articolo originale qui.