¿Qué sucede cuando se usa el reconocimiento facial en las aves? La ciencia explica

Como observador de aves, había escuchado que si prestabas mucha atención a las plumas de la cabeza de los pájaros carpinteros que visitaban tus comederos para pájaros, podrías comenzar a reconocer aves individuales. Esto me intrigó. Incluso llegué a intentar dibujar aves en mis propios comederos y descubrí que esto era cierto, hasta cierto punto.

Mientras tanto, en mi trabajo diario como científico informático, sabía que otros investigadores habían utilizado técnicas de aprendizaje automático para reconocer rostros individuales en imágenes digitales con un alto grado de precisión.

Estos proyectos me hicieron pensar en maneras de combinar mi pasatiempo con mi trabajo diario. ¿Sería posible aplicar esas técnicas para identificar aves individuales?

Entonces, construí una herramienta para recopilar datos: un tipo de comedero para pájaros favorecido por los pájaros carpinteros y una cámara activada por movimiento. Instalé mi estación de monitoreo en mi patio suburbano de Virginia y esperé a que aparecieran los pájaros.

Clasificación de imágenes

La clasificación de imágenes es un tema candente en el mundo tecnológico. Las principales empresas como Facebook, Apple y Google están investigando activamente este problema para brindar servicios como búsqueda visual, etiquetado automático de amigos en publicaciones de redes sociales y la capacidad de usar tu rostro para desbloquear tu teléfono celular. Las agencias de aplicación de la ley también están muy interesadas, principalmente para reconocer rostros en imágenes digitales.

Cuando comencé a trabajar con mis alumnos en este proyecto, la investigación de clasificación de imágenes se centró en una técnica que examinaba características de la imagen como bordes, esquinas y áreas de color similar. Estas a menudo son piezas que podrían ser ensambladas en algún objeto reconocible. Esos enfoques fueron aproximadamente 70 por ciento exactos, utilizando conjuntos de datos de referencia con cientos de categorías y decenas de miles de ejemplos de capacitación.

Las investigaciones recientes se han desplazado hacia el uso de redes neuronales artificiales, que identifican sus propias características que resultan más útiles para una clasificación precisa. Las redes neuronales se modelan muy libremente en función de los patrones de comunicación entre las neuronas en el cerebro humano. Las redes neuronales convolucionales, el tipo que ahora estamos utilizando en nuestro trabajo con aves, se modifican de manera que se modelaron en la corteza visual. Eso los hace especialmente adecuados para problemas de clasificación de imágenes.

Algunos otros investigadores ya han probado técnicas similares en animales. En parte me inspiré en el científico en computación Andrea Danyluk, del Williams College, quien utilizó el aprendizaje automático para identificar a las salamandras manchadas. Esto funciona porque cada salamandra tiene un patrón distintivo de manchas.

Progreso en la identificación de aves

Si bien mis estudiantes y yo no teníamos tantas imágenes con las que trabajar como la mayoría de los otros investigadores y compañías, tuvimos la ventaja de algunas restricciones que podrían aumentar la precisión de nuestro clasificador.

Todas nuestras imágenes se tomaron desde la misma perspectiva, tuvieron la misma escala y se dividieron en un número limitado de categorías. En total, solo unas 15 especies han visitado el alimentador en mi área. De ellos, solo 10 visitaron con la frecuencia suficiente para proporcionar una base útil para capacitar a un clasificador.

El número limitado de imágenes fue una desventaja definida, pero el pequeño número de categorías funcionó a nuestro favor. Cuando se trató de reconocer si el ave en una imagen era un pichón, una niña Carolina, un cardenal o algo más, un proyecto inicial basado en un algoritmo de reconocimiento facial logró aproximadamente el 85 por ciento de precisión, lo suficientemente bueno para mantenernos interesados ​​en el problema.

La identificación de aves en imágenes es un ejemplo de una tarea de "clasificación detallada", lo que significa que el algoritmo trata de discriminar entre objetos que son solo ligeramente diferentes entre sí. Muchas aves que aparecen en los comederos tienen aproximadamente la misma forma, por ejemplo, por lo que decir la diferencia entre una especie y otra puede ser bastante desafiante, incluso para observadores humanos experimentados.

El desafío solo aumenta cuando intentas identificar individuos. Para la mayoría de las especies, simplemente no es posible. Los pájaros carpinteros que me interesaban tienen un plumaje fuertemente modelado, pero todavía son muy similares de un individuo a otro.

Entonces, uno de nuestros mayores desafíos fue la tarea humana de etiquetar los datos para entrenar a nuestro clasificador. Descubrí que las plumas de la cabeza de los pájaros carpinteros suaves no eran una forma confiable de distinguir entre los individuos, porque esas plumas se mueven mucho. Son utilizados por las aves para expresar irritación o alarma. Sin embargo, los patrones de puntos en las alas plegadas son más consistentes y parecían funcionar bien para distinguirlos unos de otros. Esas plumas de las alas eran casi siempre visibles en nuestras imágenes, mientras que los patrones de la cabeza podían ocultarse dependiendo del ángulo de la cabeza del ave.

Al final, tuvimos 2,450 fotos de ocho pájaros carpinteros diferentes. Cuando se trató de identificar pájaros carpinteros individuales, nuestros experimentos lograron una precisión del 97 por ciento. Sin embargo, ese resultado necesita más verificación.

¿Cómo puede esto ayudar a las aves?

Los ornitólogos necesitan datos precisos sobre cómo cambian las poblaciones de aves con el tiempo. Dado que muchas especies son muy específicas en cuanto a sus necesidades de hábitat cuando se trata de reproducción, invernación y migración, los datos detallados podrían ser útiles para pensar en los efectos de un paisaje cambiante. Los datos sobre especies individuales, como los pájaros carpinteros velludos, podrían combinarse con otra información, como mapas de uso de la tierra, patrones climáticos, crecimiento de la población humana, etc., para comprender mejor la abundancia de una especie local a lo largo del tiempo.

Creo que una estación de monitoreo semiautomática está al alcance a un costo modesto. Mi estación de monitoreo cuesta alrededor de US $ 500. Estudios recientes sugieren que debería ser posible entrenar a un clasificador utilizando un grupo de imágenes mucho más amplio, luego afinarlo rápidamente y con demandas computacionales razonables para reconocer aves individuales.

Proyectos como el eBird del Laboratorio de Ornitología de Cornell han puesto a un pequeño ejército de científicos ciudadanos en el terreno para monitorear la dinámica de la población, pero la mayor parte de esos datos tienden a ser de lugares donde las personas son numerosas, en lugar de lugares de interés específico para los científicos.

Un enfoque de estación de monitoreo automatizado podría proporcionar un multiplicador de fuerza para los biólogos de vida silvestre interesados ​​en especies específicas o ubicaciones específicas. Esto ampliaría su capacidad para recopilar datos con una intervención humana mínima.

Este artículo fue publicado originalmente en The Conversation por Lewis Barnett. Lee el artículo original aquí.