面部识别用于鸟类时会发生什么？科学解释

作为一个鸟类，我听说如果你仔细注意参观你的喂鸟器的绒毛啄木鸟的头部羽毛，你就可以开始识别个体鸟类了。这引起了我的兴趣。我甚至试图在我自己的喂食器上画草鸟，并且发现这是真的，直到某一点。

与此同时，在我作为计算机科学家的日常工作中，我知道其他研究人员已经使用机器学习技术以高精度识别数字图像中的各个面部。

这些项目让我想到了将我的爱好与日常工作结合起来的方法。是否有可能应用这些技术来识别个别鸟类？

因此，我建立了一个收集数据的工具：一种由啄木鸟和运动激活相机青睐的喂鸟器。我在弗吉尼亚州郊区的院子里设立了我的监测站，等待鸟儿出现。

图像分类

图像分类是科技界的热门话题。 Facebook，苹果和谷歌等大公司正在积极研究这一问题，以提供视觉搜索，社交媒体帖子中的朋友自动标记以及使用脸部解锁手机的能力等服务。执法机构也非常感兴趣，主要是识别数字图像中的面孔。

当我开始与我的学生一起研究这个项目时，图像分类研究的重点是一种技术，该技术研究了图像特征，如边缘，角落和相似颜色的区域。这些通常是可以组装成一些可识别对象的碎片。使用包含数百个类别和数万个培训示例的基准数据集，这些方法准确率约为70％。

最近的研究已转向使用人工神经网络，这些网络识别出自己的特征，这些特征对于准确分类最有用。神经网络非常松散地模拟人类大脑中神经元之间的通信模式。卷积神经网络，我们现在在与鸟类合作中使用的类型，以在视觉皮层上建模的方式进行修改。这使它们特别适合图像分类问题。

其他一些研究人员已经尝试过类似的动物技术。威廉姆斯学院的计算机科学家Andrea Danyluk部分启发了我，他利用机器学习来识别个别发现的火蜥蜴。这是有效的，因为每个蝾螈都有独特的斑点图案。

鸟ID的进展

虽然我和我的学生没有像大多数其他研究人员和公司一样有多少图像，但我们的优势在于可以提高分类器的准确性。

我们所有的图像都是从相同的角度拍摄的，具有相同的比例并且属于有限数量的类别。总而言之，我所在地区只有大约15种物种参观了这个喂食器。其中，只有10人经常访问，为训练分类器提供了有用的基础。

有限数量的图像是一个明确的障碍，但少数类别对我们有利。当认识到图像中的鸟是山雀，卡罗莱纳州的狼，红衣主教还是别的什么时，基于面部识别算法的早期项目实现了大约85％的准确度 - 足以让我们对这个问题感兴趣。

识别图像中的鸟类是“细粒度分类”任务的一个示例，这意味着该算法试图区分彼此略有不同的对象。例如，许多出现在喂食器上的鸟类的形状大致相同，所以即使对于有经验的人类观察者来说，告诉一个物种与另一个物种之间的差异也是非常具有挑战性的。

当你试图识别个人时，挑战只会增加。对于大多数物种来说，根本不可能。我感兴趣的啄木鸟具有强烈的羽毛图案，但从个体到个体仍然大致相似。

因此，我们面临的最大挑战之一是标记数据以培训分类器的人工任务。我发现绒毛啄木鸟的头部羽毛不是区分个体的可靠方法，因为这些羽毛移动很多。它们被鸟类用来表达刺激或警报。然而，折叠翅膀上的斑点图案更加一致，似乎可以很好地告诉彼此。在我们的图像中，这些翼羽几乎总是可见的，而头部图案可能会根据鸟头的角度而变得模糊。

最后，我们有2,450张八种不同啄木鸟的照片。在识别单个啄木鸟时，我们的实验达到了97％的准确度。但是，该结果需要进一步验证。

这帮助鸟怎么样？

鸟类学家需要有关鸟类种群随时间变化的准确数据。由于许多物种在繁殖，越冬和迁徙方面对其栖息地需求非常具体，因此细粒度数据可用于思考不断变化的景观的影响。然后可以将诸如绒毛啄木鸟等个体物种的数据与其他信息（如土地利用图，天气模式，人口增长等）进行匹配，以便更好地了解当地物种随时间的丰度。

我相信半自动化监测站的成本可以达到。我的监测站花费约500美元。最近的研究表明，应该可以使用更广泛的图像组训练分类器，然后快速微调并且具有合理的计算要求以识别单个鸟类。

像康奈尔鸟类学实验室的eBird这样的项目已经让一小群公民科学家在实地监测人口动态，但这些数据中的大部分往往来自人口众多的地方，而不是来自科学家特别感兴趣的地方。

自动监测站方法可以为涉及特定物种或特定位置的野生生物学家提供力量倍增器。这将扩大他们以最少的人为干预收集数据的能力。

本文最初发表于Lewis Barnett的The Conversation。阅读原文。