ИИ для распознавания лиц используют для подсчёта шимпанзе
Исследователи из Оксфорда опубликовали работу в журнале Science Advances, в которой рассказывается, что учёные используют искусственный интеллект для того, чтобы лучше понять поведение животных — в данном случае шимпанзе.
Используя примерно 50 часов видеоматериалов, снятых за 14 лет, исследователи извлекли 10 миллионов изображений морд двадцати трёх шимпанзе. После этого изображения были обработаны нейронной сетью.
«Алгоритм оказался в состоянии идентифицировать животных с точностью до 93% и правильно определять их пол в 96% случаев», — пишут авторы исследования.
Исследователи использовали алгоритм для анализа социальных взаимодействий популяции шимпанзе. Анализ показал, что мать и дети проводят большую часть времени вместе. Это означает, что выводы алгоритма согласуются с известными моделями поведения стаи.
«Почему это важно? — пишет MIT Review. — Исследователи животных часто полагаются на видео, чтобы отслеживать поведение популяций, которые они изучают в течение определённого отрезка времени. Но сортировка огромных объемов данных утомительна и отнимает много времени, а ручной анализ может быть неточным. Искусственный интеллект демонстрирует новый многообещающий метод ускорения исследований поведения животных».
Как считают в MIT Review, учёные также могут использовать искусственный интеллект для улучшения работы по отслеживанию исчезающих видов и тех животных, которые становятся жертвами браконьеров и предметом незаконной торговли.
Эксперимент оксфордских учёных — не первый случай, когда распознавание лиц используется для отслеживания животных. Похожий инструмент под названием ChimpFace активно используется для борьбы с незаконной торговлей шимпанзе. Как пишет MIT Review, существуют и другие исследования, которые направлены на отслеживание лемуров, бабуинов и других находящихся под угрозой исчезновения видов приматов. Исследователи из Оксфорда в своей работе утверждают, что их алгоритм улучшен по сравнению с предшественниками. По их словам, он сводит к минимуму объем предварительной обработки материала, в то время как предыдущие алгоритмы сталкивались с проблемами обработки изображений в условиях изменения освещения или при работе с изображениями плохого качества.
«Наш алгоритм работают лучше в таких условиях, поскольку он был разработан с использованием более разнообразного набора данных», — считают исследователи.
