微博
原標題：不光人臉識別，AI還能識鳥：歐洲團隊首個模型準確率90%
在研究野生動物及其習性時，識別同一物種的不同個體至關重要。近日，來自法國國家科學研究中心、蒙彼利埃大學和葡萄牙波爾圖大學等研究團隊的科學家開發了首個能夠識別鳥類個體的人工智慧模型。該模型在識別圈養的斑胸草雀(zebra finch)、野生大山雀(great tit)和野生群居織巢鳥( sociable weaver)個體時，準確率約為90%。
這項研究論文題為「Deep learning‐based methods for individual recognition in small birds」，當地時間7月27日發表在學術期刊《Methods in Ecology and Evolution》上。
該研究的第一作者、法國功能與進化生態學中心（CEFE）André Ferreira博士表示，這項研究表明，即使是人類無法識別出的鳥類個體，計算機也能一致地識別。「我們的技術能克服野生鳥類研究最大的局限之一——準確地識別鳥類個體。」
AI識別出的野生大山雀
利用深度神經網路識別動物個體
個體識別是解決進化生態學中許多問題的關鍵步驟，科學家們大多使用標籤標記動物的方法進行個體識別。這種方法有一定的成效，但是其收集分析數據的時間成本高，對收集數據的環境也有一定的限制。
隨著機器學習，尤其是深度學習的進一步發展，克服上述限制來收集大規模數據逐漸成為可能。
Ferreira等人在論文中表示，近年來，卷積神經網路（CNN）等深度學習技術引起了生態學家的關注，它可以自動分析圖片、錄音等各種形式的數據。
他們介紹，CNN是一種深度神經網路，不同於其他需要手工提取特徵的人工智慧技術，它可以自動從數據中學習，提取出最適合解決給定分類問題的特徵。因此，當需要分類的物種存在多種特徵時，CNN的優勢便得以凸顯。
使用CNN進行個體識別最大的挑戰是需要收集大量的數據用於AI訓練。為了讓CNN能準確識別動物個體，在訓練時，研究人員需要在資料庫中加入動物不同的姿勢、不同的生命階段等大量照片。
在圈養的環境中，研究人員在拍攝時可以將研究對象暫時與其他種群分開，以便收集數據。但是，這種方法並不適用於野生群落。
生態學研究中，CNN已被應用於在物種層面的動物識別以及例如豬、大象等靈長類動物個體的識別。不過，在此項研究之前，科學家們還未在鳥類等較小動物的個體識別中實踐過該技術。
AI識別鳥類個體，能力超越人類
該項目源於André Ferreira博士關於織巢鳥(weaver)個體對群落影響的一項研究。按照常規做法，研究人員需要將彩色標籤纏繞在小鳥的腿上，並在鳥巢的附近進行觀察。為了節省時間，Ferreira嘗試對群落進行錄像，但在畫面中無法辨別彩色標籤。於是，研究團隊開始探索利用AI識別鳥類個體。
他們將圈養的斑胸草雀、野生大山雀和野生群居織巢鳥作為研究對象，分別用於研究圈養環境和野生環境下的鳥類個體識別。
研究中最困難的是獲取訓練系統所需的照片。「我們需要數千張同一個體的照片。不同於收集人類個體的照片，收集動物個體的照片是非常困難的。」Ferreira在接受new scientist網站採訪時表示。
在野外和圈養環境中自動收集訓練數據的示例。 （a）Pi攝影機（紅色圓圈），用於記錄鳥類的後背圖像。（b）訓練識別群居織巢鳥( sociable weaver)的數據圖片示例 （c）訓練識別大山雀(great tit)的數據圖示例。（d）訓練識別斑胸草雀(zebra finch)的數據圖片示例
收集圖像並錄入計算機后，計算機使用CNN分析照片，從而識別鳥類。法國國家科學研究中心稱，搭載這一深度神經網路的計算機能夠根據鳥類的羽毛圖案識別出鳥類個體，「這是人類無法做到的」。
收集數據和訓練用於個體識別的卷積神經網路的步驟概述
Ferreira指出，在完全無外部標記、無人為操作並不傷害動物的情況下，他們的系統能對動物個體進行自動識別，這是在該研究領域的重大突破。
僅能識別資料庫中鳥類，無法應對換羽等外觀變化
目前，該系統仍有一定的局限性。例如，訓練的資料庫僅包含鳥類背部圖片，即生態學家在觀察動物行為時通常會看到的視圖。
Ferreira坦言，他們的模型只能識別資料庫中出現過的個體，「如果新的小鳥進入了研究的種群，計算機將無法識別。」
如果鳥類的外觀發生變化（例如處在換羽過程中），系統也可能會識別失敗。此外，間隔數月拍攝的同一隻鳥的圖像可能被錯誤地識別為不同個體。
Ferreira稱，他們並不知道AI到底通過什麼來識別鳥類。但他認為，如果給定的數據量足夠大，就可以解決這些問題。Ferreira和他的團隊正在安裝更多的攝像頭，以便從多個角度拍攝照片。
目前，有許多基於AI的應用程序可以通過圖像或聲音識別動植物，但它們只能識別物種，而不能識別個體。Ferreira表示，其他團隊也正在開發用來識別動物個體的系統，但他們團隊開發的系統是「他所知的第一個可以單獨識別小鳥的系統」。
這項新技術不僅為生態學家們識別動物個體提供了一種侵入性較小的方法，也為生態學研究帶來了新的視角，例如使用AI研究野生動物行為。
「我們希望我們的研究能激勵其他研究人員，讓他們去探索使用深度學習識別其他動物個體的方法。」研究人員在論文最後寫到。