来源：怀俄明大学

运动传感器“捕捉相机”（'camera traps'）悄悄拍摄在自然环境中的动物照片，这些图片往往难以用其他方法获得。而人工智能系统可以自动处理这样的照片，图片里是它精准拍摄的两只站立的黑斑羚。

图片来源：Snapshot Serengeti

“美国国家科学院院刊”（the Proceedings of the National Academy of Sciences, PNAS）的一篇新论文报告了名为深度学习的尖端人工智能技术，可以自动识别、计数、描述在栖息地的动物。

运动传感器摄像机自动采集的图像可以由深度神经网络自动描述。其成果是一个可以自动识别动物的系统。该系统识别率高达99.3%，而同时进行实验的人类志愿者组识别率为96.3%。

“这种技术可以帮助我们准确、低调、廉价地获得野生动物数据。这些数据有助于促进生态学、野生动物生物学、动物学、保护生物学和动物行为学等多个领域向‘大数据’科学转型。这将大大提高我们在这两个研究领域的能力和保护野生动植物和珍贵的生态系统的能力。”该论文的资深作者Jeff Clune说。他是怀俄明大学的哈里斯副教授（Harris Associate Professor），也是优步人工智能实验室的高级研究主任。

该论文由Clune、他的博士生Mohammad Sadegh Norouzzadeh、前博士生Anh Nguyen（现在在奥本大学）、Margaret Kosmala（哈佛大学）、 Ali Swanson （牛津大学）、Meredith Palmer和Craig Packer （两人都来自明尼苏达大学）撰写。

深度神经网络是计算机智能的一种，它受到动物大脑观察和理解世界的方式的启发，需要大量的准确标注的训练数据以提高准确率（举例来说，每一张图片都要正确得标明是哪种动物，有多少动物，等等）。

该研究从Snapshot Serengeti项目（一个在https://www.zooniverse.org/平台上的公民项目）获得必要的数据。Snapshot Serengeti在坦桑尼亚部署了大量“捕捉相机”（camera traps）运动传感器，用于收集上百万的动物照片，比如狮子、猎豹、大象等等动物的照片。这些照片的信息只有在转换为文字和数字之后才有用。几年来，提取这些信息的最佳方式是邀请群众志愿者团体手动标记每张图像。该研究使用了数年来5万多志愿者们用这种方式标记的320万幅图像。

“当我告诉Jeff Clune我们有320万被标记的图像时，他十分震惊，”领导Snapshot Serengeti项目的Packer说，“我们想测试一下我们是否可以通过机器学习来自动化人类志愿者的工作。我们的公民科学家已经做了非常好的工作，但是我们想加快处理大量数据的速度。深度学习计算法太神奇了，远远超过了我的预期。这是野生动物生态学领域的重要改变。”

建立了Snapshot Serengeti的Swanson补充：“世界上有上百的摄像机捕捉项目，但其中很少可以征集到大量的志愿者来提取数据。也就是说，这些重要图像中的大部分信息并没有被标记。虽然越来越多的项目转向公民科学来为照片分类，但是我们发现随着志愿者需求增加，标记一批照片所需要的时间越来越长。我们相信机器深度学习是突破摄像机捕捉瓶颈（把图像转化为数据）的关键。”

“人工智能系统不仅仅可以告诉我们48种动物中的哪一种出现在照片中，还可以告诉我们它们的数量，还有它们在干什么。系统可以分辨它们是在进食还是睡觉，有没有幼崽出现等等，”另一个Snapshot Serengeti项目的领导者Kosmala补充说，“我们估计用以上所描述的人工智能的方式，每增加300万照片，就可以节省8年人工识别的时间。这是许多可以用于帮助其他项目的宝贵时间。”

论文的第一作者Sadegh Norouzzadeh指出：“深度学习技术目前还在快速提高，我们希望它在未来几年中的表现越来越好。在这里，我们想要证明该技术对野生生态区的价值，但是我们希望更多的人加入研究如何改进深度学习在这方面的应用的队伍，并把他们的数据库发布出来。想想这项技术可以帮助我们完成重要的科学研究和保护任务的所有方式就让人兴奋。”

Journal Reference:

1. Mohammad Sadegh Norouzzadeh, Anh Nguyen, Margaret Kosmala, Alexandra Swanson, Meredith S. Palmer, Craig Packer, Jeff Clune. Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning.Proceedings of the National Academy of Sciences, 2018; 201719367 DOI:10.1073/pnas.1719367115

翻译：王嘉钰

审校：矫骏逸

原文链接：https://www.sciencedaily.com/releases/2018/06/180605124148.htm

本文来自：环球科学

特别声明：本文转载仅仅是出于科普传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或其它相关事宜，请与我们接洽。

收藏：0

留言