En oväntad användning för ansiktsigenkänning: spåra schimpanser

Kategori: Artificiell intelligens Postad 04 sep

En ny djupinlärningsalgoritm utbildad för att känna igen vilda schimpansers kön och identitet kan hjälpa forskare att bättre förstå djurens beteende.

Nyheterna: Ansiktsigenkänning har utvecklat en dålig rap på senare tid för de sätt på vilka den kan missbrukas för att inkräkta på medborgerliga friheter. Men utanför det mänskliga riket har forskare vid Oxford upptäckt ett nytt, ganska passande syfte med tekniken: att hjälpa dem att övervaka beteenden och interaktioner hos schimpanser. Ett papper som beskriver deras studie publicerades i Science Advances idag .

Vad de gjorde: Med hjälp av ungefär 50 timmars film tagna under 14 år, extraherade forskarna 10 miljoner ansiktsbilder av 23 schimpanser och matade in dem i ett djupt neuralt nätverk. Den resulterande modellen kunde identifiera individer med upp till 93 % noggrannhet och klassificera deras kön korrekt upp till 96 % av gångerna. I ett jämförelsetest presterade modellen också dubbelt så bra som experter på mänskliga etiketter som fick nästan en timme att slutföra uppgiften, och fyra gånger bättre än nybörjare som fick nästan två timmar. Modellen tog däremot en bråkdel av en sekund. (De få gånger det misslyckades, antog det oftast en schimpans rumpa för ett ansikte.)

Forskarna använde sedan modellen för att analysera de sociala interaktionerna mellan en population av schimpanser. Modellen avslöjade att mamman och spädbarnen tillbringade mest tid tillsammans, ett fynd som korrekt överensstämmer med förstått beteendemönster.

Andra djurspårare: Det här är inte första gången ansiktsigenkänning har använts för att spåra djur. ChimpFace, ett liknande verktyg, används aktivt vid bekämpa illegal handel med schimpanser , och Övrig studier har försökt spåra lemurer, babianer och andra hotade primatarter. Forskarna i det senaste arbetet säger att deras algoritm förbättras jämfört med föregångare genom att minimera mängden förbearbetning som krävs på råmaterial. Medan tidigare algoritmer hade problem med att hantera ljusvariationer och dålig bildkvalitet, presterar deras bättre under dessa förhållanden eftersom de tränades på en mer varierad datamängd.

Varför det är viktigt: Djurforskare förlitar sig ofta på videofilmer för att spåra beteendet hos de populationer som de studerar över tid. Men att sortera igenom de stora mängderna data är tråkigt och tidskrävande, och manuell märkning kan vara felaktig. Modellen visar en lovande ny metod för att påskynda forskningen i djurbeteende. Det skulle också kunna användas för att förbättra befintliga ansträngningar för att spåra hotade och trafikerade arter.

För att få fler berättelser som denna levererade direkt till din inkorg, registrera dig för vårt Webby-nominerade AI-nyhetsbrev The Algorithm. Det är gratis.