在研究野生動(dòng)物及其習(xí)性時(shí)，識(shí)別同一物種的不同個(gè)體至關(guān)重要。近日，來(lái)自法國(guó)國(guó)家科學(xué)研究中心、蒙彼利埃大學(xué)和葡萄牙波爾圖大學(xué)等研究團(tuán)隊(duì)的科學(xué)家開(kāi)發(fā)了首個(gè)能夠識(shí)別鳥(niǎo)類個(gè)體的人工智能模型。該模型在識(shí)別圈養(yǎng)的斑胸草雀(zebra finch)、野生大山雀(great tit)和野生群居織巢鳥(niǎo)( sociable weaver)個(gè)體時(shí)，準(zhǔn)確率約為90%。

這項(xiàng)研究論文題為“Deep learning‐based methods for individual recognition in small birds”，當(dāng)?shù)貢r(shí)間7月27日發(fā)表在學(xué)術(shù)期刊《Methods in Ecology and Evolution》上。

該研究的第一作者、法國(guó)功能與進(jìn)化生態(tài)學(xué)中心（CEFE）André Ferreira博士表示，這項(xiàng)研究表明，即使是人類無(wú)法識(shí)別出的鳥(niǎo)類個(gè)體，計(jì)算機(jī)也能一致地識(shí)別?！拔覀兊募夹g(shù)能克服野生鳥(niǎo)類研究最大的局限之一——準(zhǔn)確地識(shí)別鳥(niǎo)類個(gè)體。”

AI識(shí)別出的野生大山雀

利用深度神經(jīng)網(wǎng)絡(luò)識(shí)別動(dòng)物個(gè)體

個(gè)體識(shí)別是解決進(jìn)化生態(tài)學(xué)中許多問(wèn)題的關(guān)鍵步驟，科學(xué)家們大多使用標(biāo)簽標(biāo)記動(dòng)物的方法進(jìn)行個(gè)體識(shí)別。這種方法有一定的成效，但是其收集分析數(shù)據(jù)的時(shí)間成本高，對(duì)收集數(shù)據(jù)的環(huán)境也有一定的限制。

隨著機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)的進(jìn)一步發(fā)展，克服上述限制來(lái)收集大規(guī)模數(shù)據(jù)逐漸成為可能。

Ferreira等人在論文中表示，近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)技術(shù)引起了生態(tài)學(xué)家的關(guān)注，它可以自動(dòng)分析圖片、錄音等各種形式的數(shù)據(jù)。

他們介紹，CNN是一種深度神經(jīng)網(wǎng)絡(luò)，不同于其他需要手工提取特征的人工智能技術(shù)，它可以自動(dòng)從數(shù)據(jù)中學(xué)習(xí)，提取出最適合解決給定分類問(wèn)題的特征。因此，當(dāng)需要分類的物種存在多種特征時(shí)，CNN的優(yōu)勢(shì)便得以凸顯。

使用CNN進(jìn)行個(gè)體識(shí)別最大的挑戰(zhàn)是需要收集大量的數(shù)據(jù)用于AI訓(xùn)練。為了讓CNN能準(zhǔn)確識(shí)別動(dòng)物個(gè)體，在訓(xùn)練時(shí)，研究人員需要在數(shù)據(jù)庫(kù)中加入動(dòng)物不同的姿勢(shì)、不同的生命階段等大量照片。

在圈養(yǎng)的環(huán)境中，研究人員在拍攝時(shí)可以將研究對(duì)象暫時(shí)與其他種群分開(kāi)，以便收集數(shù)據(jù)。但是，這種方法并不適用于野生群落。

生態(tài)學(xué)研究中，CNN已被應(yīng)用于在物種層面的動(dòng)物識(shí)別以及例如豬、大象等靈長(zhǎng)類動(dòng)物個(gè)體的識(shí)別。不過(guò)，在此項(xiàng)研究之前，科學(xué)家們還未在鳥(niǎo)類等較小動(dòng)物的個(gè)體識(shí)別中實(shí)踐過(guò)該技術(shù)。

AI識(shí)別鳥(niǎo)類個(gè)體，能力超越人類

該項(xiàng)目源于André Ferreira博士關(guān)于織巢鳥(niǎo)(weaver)個(gè)體對(duì)群落影響的一項(xiàng)研究。按照常規(guī)做法，研究人員需要將彩色標(biāo)簽纏繞在小鳥(niǎo)的腿上，并在鳥(niǎo)巢的附近進(jìn)行觀察。為了節(jié)省時(shí)間，F(xiàn)erreira嘗試對(duì)群落進(jìn)行錄像，但在畫(huà)面中無(wú)法辨別彩色標(biāo)簽。于是，研究團(tuán)隊(duì)開(kāi)始探索利用AI識(shí)別鳥(niǎo)類個(gè)體。

他們將圈養(yǎng)的斑胸草雀、野生大山雀和野生群居織巢鳥(niǎo)作為研究對(duì)象，分別用于研究圈養(yǎng)環(huán)境和野生環(huán)境下的鳥(niǎo)類個(gè)體識(shí)別。

研究中最困難的是獲取訓(xùn)練系統(tǒng)所需的照片?！拔覀冃枰獢?shù)千張同一個(gè)體的照片。不同于收集人類個(gè)體的照片，收集動(dòng)物個(gè)體的照片是非常困難的?！盕erreira在接受new scientist網(wǎng)站采訪時(shí)表示。

為了克服上述挑戰(zhàn)，研究人員制作了帶有攝像頭和傳感器的喂食器。研究中，大多數(shù)鳥(niǎo)類攜帶裝有被動(dòng)集成應(yīng)答器（PIT）的標(biāo)簽。喂鳥(niǎo)器上的天線能夠從這些標(biāo)簽中讀取鳥(niǎo)的身份并觸發(fā)攝像頭工作。

在野外和圈養(yǎng)環(huán)境中自動(dòng)收集訓(xùn)練數(shù)據(jù)的示例。 （a）Pi攝影機(jī)（紅色圓圈），用于記錄鳥(niǎo)類的后背圖像。（b）訓(xùn)練識(shí)別群居織巢鳥(niǎo)( sociable weaver)的數(shù)據(jù)圖片示例 （c）訓(xùn)練識(shí)別大山雀(great tit)的數(shù)據(jù)圖示例。（d）訓(xùn)練識(shí)別斑胸草雀(zebra finch)的數(shù)據(jù)圖片示例

收集圖像并錄入計(jì)算機(jī)后，計(jì)算機(jī)使用CNN分析照片，從而識(shí)別鳥(niǎo)類。法國(guó)國(guó)家科學(xué)研究中心稱，搭載這一深度神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)能夠根據(jù)鳥(niǎo)類的羽毛圖案識(shí)別出鳥(niǎo)類個(gè)體，“這是人類無(wú)法做到的”。

收集數(shù)據(jù)和訓(xùn)練用于個(gè)體識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)的步驟概述

Ferreira指出，在完全無(wú)外部標(biāo)記、無(wú)人為操作并不傷害動(dòng)物的情況下，他們的系統(tǒng)能對(duì)動(dòng)物個(gè)體進(jìn)行自動(dòng)識(shí)別，這是在該研究領(lǐng)域的重大突破。

僅能識(shí)別數(shù)據(jù)庫(kù)中鳥(niǎo)類，無(wú)法應(yīng)對(duì)換羽等外觀變化

目前，該系統(tǒng)仍有一定的局限性。例如，訓(xùn)練的數(shù)據(jù)庫(kù)僅包含鳥(niǎo)類背部圖片，即生態(tài)學(xué)家在觀察動(dòng)物行為時(shí)通常會(huì)看到的視圖。

Ferreira坦言，他們的模型只能識(shí)別數(shù)據(jù)庫(kù)中出現(xiàn)過(guò)的個(gè)體，“如果新的小鳥(niǎo)進(jìn)入了研究的種群，計(jì)算機(jī)將無(wú)法識(shí)別?！?/p>

如果鳥(niǎo)類的外觀發(fā)生變化（例如處在換羽過(guò)程中），系統(tǒng)也可能會(huì)識(shí)別失敗。此外，間隔數(shù)月拍攝的同一只鳥(niǎo)的圖像可能被錯(cuò)誤地識(shí)別為不同個(gè)體。

Ferreira稱，他們并不知道AI到底通過(guò)什么來(lái)識(shí)別鳥(niǎo)類。但他認(rèn)為，如果給定的數(shù)據(jù)量足夠大，就可以解決這些問(wèn)題。Ferreira和他的團(tuán)隊(duì)正在安裝更多的攝像頭，以便從多個(gè)角度拍攝照片。

目前，有許多基于AI的應(yīng)用程序可以通過(guò)圖像或聲音識(shí)別動(dòng)植物，但它們只能識(shí)別物種，而不能識(shí)別個(gè)體。Ferreira表示，其他團(tuán)隊(duì)也正在開(kāi)發(fā)用來(lái)識(shí)別動(dòng)物個(gè)體的系統(tǒng)，但他們團(tuán)隊(duì)開(kāi)發(fā)的系統(tǒng)是“他所知的第一個(gè)可以單獨(dú)識(shí)別小鳥(niǎo)的系統(tǒng)”。

這項(xiàng)新技術(shù)不僅為生態(tài)學(xué)家們識(shí)別動(dòng)物個(gè)體提供了一種侵入性較小的方法，也為生態(tài)學(xué)研究帶來(lái)了新的視角，例如使用AI研究野生動(dòng)物行為。

“我們希望我們的研究能激勵(lì)其他研究人員，讓他們?nèi)ヌ剿魇褂蒙疃葘W(xué)習(xí)識(shí)別其他動(dòng)物個(gè)體的方法?！毖芯咳藛T在論文最后寫(xiě)到。