En uventet bruk for ansiktsgjenkjenning: sporing av sjimpanser

Kategori: Kunstig intelligens Lagt ut 04 sep

En ny dyplæringsalgoritme som er opplært til å gjenkjenne kjønnet og identiteten til ville sjimpanser kan hjelpe forskere til å bedre forstå dyreadferd.

Nyhetene: Ansiktsgjenkjenning har utviklet en dårlig rap i det siste for måtene den kan bli misbrukt for å krenke sivile friheter. Men utenfor det menneskelige riket har forskere ved Oxford oppdaget et nytt, ganske passende formål for teknologien: å hjelpe dem med å overvåke atferden og interaksjonene til sjimpanser. En artikkel som beskriver studien deres ble publisert i Science Advances i dag .

Hva de gjorde: Ved å bruke omtrent 50 timer med opptak tatt over 14 år, hentet forskerne 10 millioner ansiktsbilder av 23 sjimpanser og matet dem inn i et dypt nevralt nettverk. Den resulterende modellen var i stand til å identifisere individer med opptil 93 % nøyaktighet og klassifisere kjønnet deres riktig opptil 96 % av tiden. I en sammenligningstest presterte modellen også dobbelt så godt som eksperter som fikk nesten en time til å fullføre oppgaven, og fire ganger bedre enn nybegynnere som fikk nesten to timer. Modellen tok derimot en brøkdel av et sekund. (De få gangene det mislyktes, tok det oftest feil av en sjimpanses rumpe for et ansikt.)

Forskerne brukte deretter modellen til å analysere de sosiale interaksjonene til en populasjon av sjimpanser. Modellen avslørte at mor og spedbarn brukte mest tid sammen, et funn som stemmer overens med forstått atferdsmønstre.

Andre dyresporere: Dette er ikke første gang ansiktsgjenkjenning har blitt brukt til å spore dyr. ChimpFace, et lignende verktøy, brukes aktivt til bekjempe ulovlig sjimpansehandel , og annen studier har forsøkt å spore lemurer, bavianer og andre truede primatarter. Forskerne i det siste arbeidet sier at algoritmen deres forbedrer forgjengerne ved å minimere mengden forhåndsbehandling som kreves på råopptak. Mens tidligere algoritmer hadde problemer med å håndtere lysvariasjoner og dårlig bildekvalitet, presterer deres bedre under disse forholdene fordi de ble trent på et mer mangfoldig datasett.

Hvorfor det er viktig: Dyreforskere er ofte avhengige av videoopptak for å spore atferden til populasjonene de studerer over tid. Men å sortere gjennom de enorme datamengdene er kjedelig og tidkrevende, og manuell merking kan være unøyaktig. Modellen demonstrerer en lovende ny metode for å akselerere forskning på dyreatferd. Den kan også brukes til å forbedre eksisterende innsats for å spore truede og handlede arter.

For å få flere historier som dette levert direkte til innboksen din, meld deg på vårt Webby-nominerte AI-nyhetsbrev The Algorithm. Det er gratis.