AI不只识别人，还能识别鸟：首个识别鸟类个体的AI工具问世

在野生动物行为研究的过程中，区分同一物种的个体至关重要。但是仅仅依靠体型、颜色、毛发等表征，人们很难识别它们。

个体识别是回答生物学中许多问题的关键步骤，研究人员通常会用做标签的方法来标识动物个体。这样的方法已经很成熟，但是数据的收集和分析很耗时，收集数据的环境也通常也会受到限制。

传统的做标签的方法耗时耗力

几十年来，科学家们一直在努力寻找能够有效识别野生动物个体的方法。近期，来自法国、德国、葡萄牙和南非的科学家组成的科研团队发明了首个能够识别鸟类个体的AI工具。

这项研究论文题为“Deep Learning‐based Methods for Individual Recognition in Small Birds”（https://doi.org/10.1111/2041-210X.13436），日前发表在《生态学和进化方法》（Methods in Ecology and Evolution）杂志上。

利用积卷神经网络（CNN）这一深度学习技术，科学家们建立了能够重复识别同一鸟类个体的训练模型。

生态学研究中，CNN已被应用于在物种层面的动物识别以及例如猪、大象等灵长类动物个体的识别。不过，在此项研究之前，科学家们还未在鸟类等体型较小动物的个体识别中应用过该技术。

该项目源于本文第一作者安德烈·费雷拉（André Ferreira）博士此前关于群居织布鸟个体对群落影响的一项研究。按照常规做法，研究人员需要将彩色标签缠绕在小鸟的腿上，并在鸟巢的附近进行观察。

为了节省时间，费雷拉尝试对群落进行录像，但在画面中无法辨别彩色标签。于是，研究团队开始探索利用AI识别鸟类个体。

研究人员收集了大量群居织布鸟、大山雀和斑胸草雀三类小型鸟类的图片作为AI训练数据。其中，群居织布鸟和大山雀的图片组成识别野外群落的训练数据，斑胸草雀的图片构成了识别圈养群落的训练数据。

野外群落和圈养群落自动收集的训练数据示例

来源：Methods in Ecology and Evolution

在圈养的环境中，研究人员在拍摄时可以将研究对象暂时与其他种群分开，以便收集数据。但这种方法在野生群落图像采集中遇到了瓶颈。

费雷拉博士表示，使用CNN进行个体识别最大的挑战就是收集用于AI训练的数据。“我们需要数千张同一个体的照片。不同于收集人类个体的照片，收集动物个体的照片是非常困难的。”

为了克服上述挑战，研究人员利用安装在喂食站的摄像头获得每只鸟的初始特写照片，当那只鸟返回喂食站并再次被拍到时，系统能够将该照片与第一张照片进行比对，确定两张照片是同一只鸟。

大多数鸟类已经配备了被动式集成应答器（PIT）标签，当该标签被喂食站的天线读取时，系统就会记录下标签的个体代码、触发相机拍摄照片。

用于收集数据和训练卷积神经网络进行的个体识别的顺序步骤概述

来源：Methods in Ecology and Evolution

每种鸟类使用1000张图像，其中的900张用作训练数据集，剩下的100张用于验证数据集，研究人员通过过采样的方法来解决样本间数据不平衡的问题。

将收集的图像录入计算机，运用CNN分析照片识别鸟类，搭载这一深度神经网络的计算机能够根据鸟类的羽毛图案识别出鸟类个体。

该系统已被证明在识别群居织布鸟和大山雀方面的准确率为均超过90%，对斑胸草雀识别的准确率为87%。

根据训练数据集或新鸟类预测鸟类身份时，softmax概率的熵分布

来源：Methods in Ecology and Evolution

目前，该系统仍有一定的局限性。

例如，模型只能识别数据库中出现过的个体，对于研究过程中新飞入的鸟类，计算机无法识别它们。

如果鸟类的外观发生变化（例如处在换羽过程中），系统也可能会识别失败。此外，间隔数月拍摄的同一只鸟的图像可能被错误地识别为不同个体。

针对上述问题，弗拉雷教授认为，如果给定的数据量足够大，就可以解决这些问题。丰富的数据能够提升检验假设的能力，优化CNN的性能。为了扩大数据量，弗拉雷教授的团队正在尝试安装更多的摄像头，以便从多个角度拍摄照片。

费雷拉博士在接受采访时说：“这些问题可以通过人工智能模型来解决。研究人员对完全没有标记和无人操作的动物进行自动、无创识别的方法是这一研究领域的重大突破。最终，我们有足够的空间为该系统寻找新的应用程序，并回答过去似乎无法解决的问题。”

参考：

1.https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.13436

2.https://www.sciencedaily.com/releases/2020/07/200727114745.htm

3.https://xw.qq.com/cmsid/20200730A0DDO800

4.https://www.cnbeta.com/articles/science/1008565.htm