Kuşlarda Yüz Tanıma Kullanıldığında Ne Olur? Bilim açıklar

Bir kuş olarak, kuş besleyicilerinizi ziyaret eden tüylü ağaçkakanların baş tüylerine dikkat ederseniz, bireysel kuşları tanımaya başlayabileceğinizi duymuştum. Bu ilgimi çekti. Kuşları kendi besleyicilerime çizmeyi deneyecek kadar ileri gittim ve bunun bir noktaya kadar doğru olduğunu bulmuştum.

Bu arada, günümüzde bir bilgisayar bilimcisi olarak yaptığım işte, diğer araştırmacıların dijital görüntülerdeki bireysel yüzleri yüksek hassasiyetle tanımak için makine öğrenme tekniklerini kullandıklarını biliyordum.

Bu projeler, hobimi günlük işimle birleştirmenin yollarını düşündürdü. Tek tek kuşları tanımlamak için bu teknikleri uygulamak mümkün müdür?

Bu yüzden veri toplamak için bir araç yaptım: ağaçkakanların tercih ettiği bir tür kuş besleyici ve hareketle çalışan bir kamera. İzleme istasyonumu banliyö Virginia bahçemde kurdum ve kuşların ortaya çıkmasını bekledim.

Görüntü sınıflandırma

Görüntü sınıflandırma, teknoloji dünyasında sıcak bir konudur. Facebook, Apple ve Google gibi büyük şirketler, görsel arama, sosyal medya paylaşımlarında arkadaşlarınızın otomatik olarak etiketlenmesi ve cep telefonunun kilidini açmak için yüzünüzü kullanma yeteneği gibi hizmetleri sağlamak için aktif olarak araştırma yapıyorlar. Kolluk kuvvetleri de öncelikle dijital görüntüdeki yüzleri tanımakla ilgileniyorlar.

Bu proje üzerinde öğrencilerimle çalışmaya başladığımda, görüntü sınıflandırma araştırması, kenarlar, köşeler ve benzer renkteki alanlar gibi görüntü özelliklerine bakan bir tekniğe odaklandı. Bunlar genellikle tanınabilir bir nesneye birleştirilebilecek parçalardır. Bu yaklaşımlar, yüzlerce kategori ve on binlerce eğitim örneğiyle kıyaslama veri setleri kullanılarak yüzde 70 oranında doğruydu.

Son araştırmalar, doğru sınıflandırma için en faydalı olduğunu kanıtlayan kendi özelliklerini tanımlayan yapay sinir ağlarının kullanımına doğru kaymıştır. Sinir ağları, insan beynindeki nöronlar arasındaki iletişim kalıpları üzerinde çok gevşek bir şekilde modellenmiştir. Kuşlarla çalışmalarımızda şu anda kullandığımız türdeki evrişimsel sinir ağları, görsel korteks üzerinde modellenen şekillerde değiştiriliyor. Bu onları özellikle görüntü sınıflandırma problemleri için uygun kılar.

Diğer bazı araştırmacılar da hayvanlar üzerinde benzer teknikleri denediler. Kısmen benekli semenderleri tanımlamak için makine öğrenimini kullanan Williams College'den bilgisayar bilimci Andrea Danyluk'tan ilham aldım. Bu işe yarıyor, çünkü her semenderin kendine özgü lekeler var.

Kuş Kimliğinde İlerleme

Öğrencilerim ve ben, diğer araştırmacılar ve şirketler gibi çalışacak neredeyse imgeye sahip olmasak da, sınıflandırıcımızın doğruluğunu artırabilecek bazı kısıtlamaların avantajlarından yararlandık.

Tüm görsellerimiz aynı perspektiften alındı, aynı ölçekdeydi ve sınırlı sayıda kategoriye girdi. Hepsi söylendi, sadece 15 tür bölgemdeki besleyiciyi ziyaret etti. Bunlardan sadece 10'u, bir sınıflandırıcıyı eğitmek için faydalı bir temel sağlayacak kadar sık ​​sık ziyaret etti.

Sınırlı sayıda resim kesin bir engeldi, ancak az sayıda kategori lehimize çalıştı. Bir görüntüdeki kuşun bir bülbül, bir Carolina kuşu, bir kardinal veya başka bir şey olduğunu fark etmeye gelince, yüz tanıma algoritmasına dayanan erken bir proje yaklaşık yüzde 85 kesinliğe ulaştı - sorunla ilgilenmemize yetecek kadar iyi.

Görüntülerdeki kuşları tanımlamak “ince taneli sınıflandırma” görevine bir örnektir, yani algoritma birbirinden sadece biraz farklı nesneler arasında ayrım yapmaya çalışır. Örneğin besleyicilerde ortaya çıkan birçok kuş, kabaca aynı şekildedir, örneğin, bir tür ile bir başkası arasındaki farkı söylemek, deneyimli insan gözlemciler için bile, oldukça zor olabilir.

Zorluk yalnızca bireyleri tanımlamaya çalıştığınızda hızlanır. Çoğu tür için, bu mümkün değildir. İlgilendiğim ağaçkakanlar kuvvetle desenlenmiş tüylere sahipler ancak yine de bireyden bireye büyük ölçüde benzerler.

Bu yüzden, en büyük zorluklarımızdan biri, sınıflandırıcımızı geliştirmek için verileri etiketlemenin insan görevi idi. Tüylü ağaçkakanların baş tüylerinin, bireyler arasında ayrım yapmanın güvenilir bir yolu olmadığını buldum, çünkü bu tüyler çok hareket ediyor. Kuşlar tarafından tahriş veya alarm vermek için kullanılırlar. Bununla birlikte, katlanmış kanatlardaki noktaların desenleri daha tutarlıdır ve birbirlerinden birisini anlatmak için gayet iyi çalışırlardı. Bu kanat tüyleri görüntülerimizde neredeyse her zaman görülebilirdi, oysa başın şekli kuşun başının açısına bağlı olarak gizlenebilirdi.

Sonunda, sekiz farklı ağaçkakanın 2.450 resmi vardı. Bireysel ağaçkakanları belirlemeye gelince, deneylerimiz yüzde 97 doğruluk elde etti. Ancak, bu sonucun daha fazla doğrulanması gerekiyor.

Bu, Kuşlara Nasıl Yardım Edebilir?

Kuşbilimcilerin kuş popülasyonlarının zaman içinde nasıl değiştiği konusunda doğru verilere ihtiyaçları var. Pek çok tür, üreme, kışlama ve göç söz konusu olduğunda habitat gereksinimlerinde çok spesifik olduğu için, ince taneli veriler, değişen bir peyzajın etkilerini düşünmek için faydalı olabilir. Tüylü ağaçkakanlar gibi tek tek türler hakkındaki veriler, zamanla yerel türlerin bolluğunu daha iyi anlamak için arazi kullanım haritaları, hava durumu modelleri, insan nüfusu artışı gibi diğer bilgilerle eşleştirilebilir.

Yarı otomatik bir izleme istasyonunun makul bir maliyetle ulaşılabildiğine inanıyorum. İzleme istasyonum 500 dolara mal oldu. Son araştırmalar, çok daha geniş bir görüntü grubunu kullanarak bir sınıflandırıcıyı eğitmenin mümkün olduğunu, ardından bireysel kuşları tanımak için hızlı ve makul hesaplama talepleriyle ince ayar yapabileceğini göstermektedir.

Cornell Ornitoloji Laboratuvarı eBird gibi projeler, nüfus dinamiklerini izlemek için zemine küçük bir vatandaş bilim adamları ordusunu koymuşlardır, ancak bu verilerin büyük kısmı, bilim adamlarının özel ilgi alanlarından ziyade insanların sayısız olduğu yerler olma eğilimindedir.

Otomatik bir izleme istasyonu yaklaşımı, belirli türlerle veya belirli konumlarla ilgilenen vahşi yaşam biyologları için bir güç çarpanı sağlayabilir. Bu, minimum insan müdahalesiyle veri toplama yeteneklerini genişletirdi.

Bu makale, Lewis Barnett tarafından The Conversation'da yayınlandı. Orijinal makaleyi buradan okuyun.