Un modelo de computadora desarrollado en la Universidad de Wyoming por investigadores de la Universidad de Washington y otros investigadores ha demostrado una precisión y eficiencia notables en la identificación de imágenes de animales salvajes a partir de fotografías de cámaras trampa en América del Norte.
El avance de la inteligencia artificial, detallado en un artículo publicado en la revista científica Métodos en ecología y evolución , se describe como un avance significativo en el estudio y la conservación de la vida silvestre. El modelo de computadora ahora está disponible en un paquete de software para el Programa R, un lenguaje de programación ampliamente utilizado y un entorno de software libre para computación estadística.
"La capacidad de identificar rápidamente millones de imágenes de cámaras trampa puede cambiar fundamentalmente la forma en que los ecologistas diseñan e implementan estudios de vida silvestre", dice el documento, cuyos autores principales son el recién graduado del Departamento de Zoología y Fisiología de la Universidad de Washington, Michael Tabak yRyan Miller, ambos del Centro de Epidemiología y Salud Animal del Departamento de Agricultura de los EE. UU. En Fort Collins, Colorado.
El estudio se basa en la investigación de UW publicada a principios de este año en el Actas de la Academia Nacional de Ciencias PNAS en el cual un modelo de computadora analizó 3.2 millones de imágenes capturadas por cámaras trampa en África por un proyecto de ciencia ciudadana llamado Snapshot Serengeti.La técnica de inteligencia artificial llamada aprendizaje profundo clasificó las imágenes de animales con una tasa de precisión del 96.6 por ciento, lo mismo que lograron los equipos de voluntarios humanos, a un ritmo mucho más rápido que las personas.
En el último estudio, los investigadores capacitaron a una red neuronal profunda en Mount Moran, el grupo de computadoras de alto rendimiento de UW, para clasificar las especies de vida silvestre utilizando 3,37 millones de imágenes de cámaras trampa de 27 especies de animales obtenidas de cinco estados de los Estados Unidos.Luego, el modelo se probó en casi 375,000 imágenes de animales a una velocidad de aproximadamente 2,000 imágenes por minuto en una computadora portátil, logrando una precisión del 97.6 por ciento, probablemente la mayor precisión hasta la fecha en el uso del aprendizaje automático para la clasificación de imágenes de vida silvestre.
El modelo de computadora también se probó en un subconjunto independiente de 5.900 imágenes de alces, vacas, alces y cerdos salvajes de Canadá, produciendo una tasa de precisión del 81.8 por ciento. Y tuvo un 94 por ciento de éxito al eliminar imágenes "vacías" sin ningunaanimales de un conjunto de fotografías de Tanzania.
Los investigadores han hecho que su modelo esté disponible gratuitamente en un paquete de software en el Programa R. El paquete, "Aprendizaje automático para la clasificación de imágenes de vida silvestre en R MLWIC", permite a otros usuarios clasificar sus imágenes que contienen las 27 especies en el conjunto de datos,pero también permite a los usuarios entrenar sus propios modelos de aprendizaje automático utilizando imágenes de nuevos conjuntos de datos.
El autor principal de la PNAS artículo, reciente doctorado en ciencias de la computación de la Universidad de Washington, Mohammad Sadegh Arash Norouzzadeh, es uno de los múltiples contribuyentes al nuevo artículo en Métodos en Ecología y Evolución. Otros investigadores participantes de la Universidad de Washington son el profesor asociado Jeff Clune del Departamento de Computacióne investigadora postdoctoral Elizabeth Mandeville de la Unidad Cooperativa de Investigación de Pesca y Vida Silvestre de Wyoming.
Otras organizaciones representadas en el grupo de investigación son el Centro Nacional de Investigación de Vida Silvestre del USDA, la Universidad Estatal de Arizona, Tejon Ranch Conservancy de California, la Universidad de Georgia, la Universidad de Florida, Colorado Parks and Wildlife, la Universidad de Saskatchewan y la Universidad de Montana.
Fuente de la historia :
Materiales proporcionado por Universidad de Wyoming . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :