不光人臉識別，AI還能識鳥：歐洲團隊首個模型準確率90%

2020-07-31 澎湃新聞

澎湃新聞記者 張唯 實習生 厲安恬

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。」

不光人臉識別，AI還能識鳥：歐洲團隊首個模型準確率90%

AI識別出的野生大山雀

利用深度神經網絡識別動物個體

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，卷積神經網絡（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是一種深度神經網絡，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。

為了克服上述挑戰，研究人員製作了帶有攝像頭和傳感器的餵食器。研究中，大多數鳥類攜帶裝有被動集成應答器（PIT）的標籤。餵鳥器上的天線能夠從這些標籤中讀取鳥的身份並觸發攝像頭工作。

不光人臉識別，AI還能識鳥：歐洲團隊首個模型準確率90%

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後，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絡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」。

不光人臉識別，AI還能識鳥：歐洲團隊首個模型準確率90%

收集數據和訓練用於個體識別的卷積神經網絡的步驟概述

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的應用程式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。

責任編輯：李躍群

校對：劉威

相關焦點

  • 華人研究團隊推出AI「諷刺」檢測模型，準確率達86%
    最近，中國北京的信息工程研究所和中國科學院聯合推出的一款AI模型，『諷刺』識別準確率高達86%。而且，這項研究成果還登上了計算機語言協會（ACL）。早在美國大選之前，Facebook AI Research團隊就開始利用AI語言模型，識別網絡中的虛假信息或仇恨言論，有數據統計，在2020年第一季度，Facebook利用XLM語言模型刪除了960萬條涉及仇恨言論的帖子。
  • 華人研究團隊推出AI「諷刺」檢測模型,準確率達86%
    最近，中國北京的信息工程研究所和中國科學院聯合推出的一款AI模型，『諷刺』識別準確率高達86%。而且，這項研究成果還登上了計算機語言協會（ACL）。早在美國大選之前，Facebook AI Research團隊就開始利用AI語言模型，識別網絡中的虛假信息或仇恨言論，有數據統計，在2020年第一季度，Facebook利用XLM語言模型刪除了960萬條涉及仇恨言論的帖子。
  • 百度開源業內首個口罩人臉檢測及分類模型
    2月13日，百度宣布免費開源業內首個口罩人臉檢測及分類模型。該模型可以有效檢測在密集人流區域中攜帶和未攜戴口罩的所有人臉，同時判斷該者是否佩戴口罩。目前已通過飛槳PaddleHub開源出來，廣大開發者用幾行代碼即可快速上手，免費調用。
  • 破譯大腦識別人臉原理:人臉識別判斷人貧富程度,準確率53%
    這一研究表明，表情依賴與人腦對人臉識別過程中的後期的分支模型相一致（在這種模型中，臉部要素的改變和識別都在相同的框架下進行編碼），這對於揭示人腦識別人臉的原理是一個較大推動。細微的臉部線索也能讓其他人根據第一印象來判斷你是富有還是貧窮。一項新的研究發現，平靜的人臉部表情是一個可以用來判斷人的經濟狀況的因素，並且可以影響人際關係和職場的成功。
  • 夏日專刊AI產品上新升級集錦,50餘項軟硬能力加速場景落地
    營業執照識別模型升級優化模型，提升關鍵欄位識別準確率，『地址』、『社會信用代碼』、『公司類型』欄位準確率提升至95%以上。 增值稅發票識別能力升級卷票識別新增支持『收款人』欄位，識別欄位數擴充至19個；同時優化模型效果，關鍵欄位識別準確率進一步提升。
  • 美媒:美國用人工智慧識別中國防空彈發射場,準確率90%
    美媒：美國用人工智慧識別中國防空彈發射場，準確率90% 據參考消息網11月26日報導，美媒稱，在情報機構中，只有為數不多受過訓練的分析人員從事從浩如煙海的衛星圖像中尋找未公開宣布的核設施或秘密軍事場所的工作
  • 人臉識別:AI產品經理需要了解的CV通識
    非專業人臉識別攝像頭常見規定的最小識別人臉像素為60*60或100*100以上。在規定的圖像大小內，算法更容易提升準確率和召回率。圖像大小反映在實際應用場景就是人臉離攝像頭的距離。2）圖像解析度：越低的圖像解析度越難識別。圖像大小綜合圖像解析度，直接影響攝像頭識別距離。現4K攝像頭看清人臉的最遠距離是10米，7K攝像頭是20米。
  • 整容整成那樣，還能通過人臉識別嗎？
    人臉識別已經越來越普及到生活中，但隨之而來的是，人們對它識別準確性的迷之困惑，什麼狀態下能識別？什麼狀態下不能？尤其是疫情以來，口罩成了生活標配，但帶著口罩能完成人臉識別嗎？這個概率的大小，背後也是一套極嚴苛的算法，讓機器能儘可能「認對人」，但同時也影響了「人臉識別」的準確性。所以，這就引出了很多關於「人臉識別」的問題。1、整容以後，還能通過人臉識別嗎？
  • 2D與3D人臉識別詳解
    人臉是人體最重要的生物特徵之一，而人臉研究主要集中在人臉識別方面，人臉的表達模型分為2D人臉和3D人臉。2D人臉識別研究的時間相對較長，方法流程也相對成熟，在多個領域都有使用，但由於2D信息存在深度數據丟失的局限性，無法完整的表達出真實人臉，所以在實際應用中存在著一些不足，例如識別準確率不高、活體檢測準確率不高等。
  • 深度學習之視頻人臉識別系列三:人臉表徵
    在該人臉識別模型中分為四個階段：人臉檢測 => 人臉對齊 => 人臉表徵 => 人臉分類，在LFW數據集中可以達到97.00%的準確率。（1）人臉檢測與對齊：該模型使用3D模型來將人臉對齊，該方法過於繁瑣，在實際應用中很少使用，經過3D對齊以後，形成的圖像都是152×152的圖像，具體步驟如下圖。
  • 建鄴區立式測溫人臉識別一體機多少錢*行業新聞
    特性說明：人臉識別支持雙目活體檢測技術，有效防範照片、視頻、模型等攻擊行為；99.5%的識別率；人臉識別時間<500ms；支持多2個人臉庫的管理，支持多5萬張人臉庫；支持多個布防時間段設置；溫度檢測：高精度陣列式溫度檢測模塊，歐洲進外測溫傳感器；檢測準確率±0.3℃；佳檢測距離0.4米；支持體溫異常報警（閥值可設）；人臉識別+口罩檢測：人臉+口罩識別準確率85%，滿足常規口罩檢測要求，支持口罩佩戴提示；語音播報：支持人臉識別驗證結果播報、體溫正常或異常播報、口罩佩戴提示播報；支持大100000條記錄可存可導出
  • TensorRT如何加速人臉識別
    為了提高人臉識別的實時性，我們團隊將傳統的利用神經網絡框架推理升級至統一的 TensorRT 加速推理。經實驗對比，經 TensorRT FP16 模式推理加速後的人臉識別不僅幾乎無損精度，甚至於在部分場景精度有提升，識別速度提升為原來的 2.3 倍。
  • 人臉識別主要依靠了基於圖像的空間邊緣檢測技術
    ai換臉技術引起很多人的擔憂，怕外貌損害。這次任性哥帶你回歸本源，用人臉識別，再現青澀年華，你也可以擁有金融界鼻祖級的辨識力。最近我們也在研究人臉識別這個方向，今天就針對這個做個簡單的介紹。什麼是人臉識別？
  • 人臉識別技術原理與實現方式
    安防、金融是人臉識別切入細分行業較深的兩個領域，移動智能硬體終端成為人臉識別新的快速增長點。因此，這三大領域將是人臉識別快速增長的最大驅動力。人臉定位 　　面部特徵點定位在人臉識別、表情識別、人臉動畫等人臉分析任務中至關重要的一環。人臉定位算法需要選取若干個面部特徵點，點越多越精細，但同時計算量也越大。兼顧精確度和效率，我們選用雙眼中心點、鼻尖及嘴角五個特徵點。經測試，它們在表情、姿態、膚色等差異上均表現出很好的魯棒性。
  • 應用層下的人臉識別(三):人臉比對
    人臉M:N人臉M:N實際就是兩個人臉庫進行比對。例如：人臉庫A有M個人臉，人臉庫B有N個人臉。如果想查看人臉庫A和B包含多少個相同的人，就需要用人臉庫A中M個人臉逐一與人臉庫B中N個人臉進行比對，相當於是M個人臉1:N相加的結果。
  • 您是臉盲或「超級人臉識別者」嗎？
    識別人臉是我們進化出的重要技能。但是存在所謂的臉盲者，他們無法經由面部特徵區分不同的人。另一極端則是「超級人臉識別者」，他們可以在很短的時間內記住一張面孔，多年後仍能通過照片回憶起來。超級人臉識別者還能夠僅通過部分臉部特徵，認出特定的人。
  • 清華博士生孫奕帆:行人再識別論文介紹及最新進展
    視頻回放地址：http://www.mooc.ai/open/course/381孫奕帆，清華大學電子系博士在讀，主要研究方向為計算機視覺、行人再識別及深度學習應用。分享主題：行人再識別論文介紹及最新進展
  • 虹膜識別,聲紋識別,指紋識別,人臉識別的優缺點是什麼
    人臉識別人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被複製的良好特性為身份鑑別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有「強制性」；非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；並發性：在實際應用場景下可以進行多個人臉的分揀
  • AI識別腦膠質瘤基因突變 準確率超過97%
    近日，德克薩斯大學西南醫學中心（UT Southwestern）的一項新研究表明，人工智慧可以僅通過檢查大腦的3D圖像來識別腦膠質瘤中的特定基因突變，其準確率超過97％。腦膠質瘤是最常見的惡性原發性腦瘤，佔所有惡性腦瘤的3/4。儘管具有IDH酶突變的腫瘤通常預後較好，但高級別腦膠質瘤（HGG）仍是「致命殺手」，五年生存率僅為15％。
  • 深度人臉識別中不同損失函數的性能對比
    無約束人臉識別是計算機視覺領域中最難的問題之一。人臉識別在罪犯識別、考勤系統、人臉解鎖系統中得到了大量應用，因此已經成為人們日常生活的一部分。這些識別工具的簡潔性是其在工業和行政方面得到廣泛應用的主要原因之一。但是同時，這種易用性掩蓋了工具設計背後的複雜度和難度。很多科學家和研究人員仍然在研究多種技術以獲得準確、穩健的人臉識別機制，未來其應用範圍仍然會以指數級增加。