クマに対応するように訓練された顔認識AI

ほとんどの人にとって、森の中で予期せぬ遭遇に遭遇した場合、クマの体重や毛皮の色を評価することは最優先事項ではありません。むしろ、生き残ろうとする欲求が、捕食者の大きな爪や鼻の形をいつまでも眺め続けることよりも勝つのです。これを知っていれば、クマを別のクマと区別するのが難しいのも無理はありません。

多くの生態学者にとって、個々の動物を長期間、場合によっては数年にわたって監視することは、保護活動にとって極めて重要です。しかし、専門家でも簡単に混乱してしまいます。これは、クマの体重が季節によって大きく変動することや、冬眠前と冬眠後の見た目の見た目の違いを考慮すると特に当てはまります。野生生物学者がすべてを理解できるようにするために、スイスの EPFL とアラスカ太平洋大学 (APU) のチームは、ヒグマを互いに区別できる機械学習プログラム PoseSwin を開発しました。この技術は、最近雑誌に掲載された研究で詳しく説明されました。 細胞電流生物学。

PoseSwin は、2017 年から 2022 年にかけて APU 研究者のベス ローゼンバーグ氏が撮影した 109 頭の異なるヒグマの 72,000 枚以上の写真を使ってトレーニングされました。ローゼンバーグ氏は、昼夜を問わず、さまざまな気象条件で画像を撮影し、同時にクマのさまざまな行動を確実に記録しました。その後、彼女と同僚は、ヒグマの生理学に関する既存の知識を利用して、動物の生涯を通じて比較的不変であるいくつかの解剖学的詳細を特定しました。これらの特徴には、眉骨の角度、耳の位置、銃口の形状が含まれます。次に、クマがさまざまなポーズやさまざまな角度でどのように見えるかに関するデータを組み込みました。

「私たちの生物学的な直観は、体重の増加とともに劇的に変化する体型だけよりも、ポーズと組み合わせた頭の特徴のほうがより信頼できるということでした」とEPFLのブレインマインド研究所とニューロX研究所のプロジェクト協力者兼研究員であるアレクサンダー・マティス氏は説明した。 「データは私たちが正しかったことを証明しました。PoseSwin は、身体画像を使用したりポーズ情報を無視したモデルよりも大幅に優れたパフォーマンスを示しました。」

そこから、チームは市民科学者の協力を得て、PoseSwin をフィールドテストに持ち込みました。カトマイ国立公園および保護区 (ファット ベア ウィークの本拠地) を訪れる訪問者からさらに多くのヒグマの肖像画を収集した後、研究者らはその写真を機械学習プログラムに入力しました。複数のケースで、PoseSwin は個々のクマをデータベースにすでに存在するクマと照合することに成功しました。すでに、PoseSwin の設計者は、これらの捕食者が季節の食べ物を求めてどこにどのように移動したかを追跡し始めることができます。

「これは PoseSwin モデルの可能性を示す具体例です」とローゼンバーグ氏は言います。 「最終的にはこの技術を利用して、訪問者が毎年撮影する数千枚の写真を分析し、ヒグマがこの広大な地域をどのように利用しているかを示す地図の作成に役立つ可能性があります。」

ローゼンバーグ氏と同僚は現在、PoseSwin を使用して、マクニール リバー州立動物保護区周辺に生息する 100 頭以上のクマを、日常生活を乱すことなく監視しています。そうすることで、クマの健康と幸福に関するより正確な情報が得られ、保護活動に切望されている後押しがもたらされるはずです。

「クマは食物連鎖の頂点に位置し、生態系の適切な機能を確保しています。彼らは健全なシステムを維持するために不可欠です」とローゼンバーグ氏は説明しました。

PoseSwin はおそらくそれほどクマ中心ではなくなるでしょう。初期のベンチマークテストでは、マカクザルで訓練した場合にも信じられないほど正確であることが示されており、すぐに他の多くの種を扱うように拡張される可能性があることを示唆しています。機械学習アルゴリズムはオープンソースでも利用できるため、誰でも自分のテーマのためにアクセスできますが、PoseSwin が識別するのがそれほど難しいアルゴリズムはない可能性は十分にあります。

「クマはおそらく個体を識別するのが最も難しい種です」とマティス氏は言う。 「私たちは、私たちのプログラムをマウスからチンパンジーまで他の種にも応用できるという考えから、まず彼らに焦点を当てました。」