Ученые из Университета Орегона научили искусственный интеллект точнее распознавать животных на фотографиях с автоматических камер.

Их метод требует меньше данных для обучения, но дает более надежные результаты.

Результаты опубликованы в издании Ecological Informatics.

Камеры с датчиками движения — удобный инструмент для наблюдения за дикой природой, но вручную разбирать тысячи снимков долго и сложно.

Существующие ИИ-модели часто ошибаются, и ученым приходится проверять их работу.

Главная проблема — низкая точность, когда модель анализирует снимки с новой локации, где ее раньше не использовали, — объясняет Кристина Айелло, соавтор исследования. — Наш подход повышает точность и в знакомых, и в незнакомых условиях.

Эксперимент провел студент Оуэн Окули под руководством Айелло. В качестве примера взяли снежных баранов, но метод подходит и для других видов.

Оуэн искал способы улучшить точность ИИ, используя меньше данных, — говорит Айелло. — Раньше ученые просто загружали в модель как можно больше снимков, надеясь, что точность вырастет. Но после определенного момента новые данные почти не помогают. Мы поняли: важно не количество, а качество выборки.

Оказалось, лучше всего учить ИИ распознавать один вид, а не сразу все, и включать в обучение снимки из разных мест. Тогда модель правильно определяла снежных баранов даже на новых локациях — если в данных хватало разнообразия фонов.

Мы добились точности почти 90%, использовав всего 10 000 снимков вместо сотен тысяч, — говорит Окули. — Меньше данных — меньше энергии на расчеты, а это полезно и для науки, и для природы.

Окули, который заканчивает учебу в июне, работал над проектом с самого начала — от сбора данных до публикации.

Этот опыт научил меня всему: от концепции исследования до написания статей и подачи заявок на гранты.

Этот метод экономит время ученых и ресурсы: меньше данных — быстрее обучение, ниже энергозатраты. Точность растет даже на новых локациях, что особенно важно для мониторинга редких видов. Кроме того, подход универсален — его можно адаптировать под любых животных.

Хотя метод эффективен, он требует тщательного отбора данных. Если фон на снимках будет слишком однообразным, точность может упасть. Кроме того, пока неясно, как модель поведет себя в густых лесах или при плохом освещении — возможно, понадобятся дополнительные доработки.

Ранее ученые разработали приложение для распознавания собачьих морд, чтобы бороться с бешенством.