Тъй като морските изследователи искат да направят това, за да следят размера на популациите, състоянието на опазване и техните важни местообитания, това създава малък проблем.
Препоръчани видеоклипове
За щастие, това е мястото, където д-р Аманда Ходжсън от австралийския университет Мърдок влиза. Член на отдела за изследване на китоподобните към университета, Ходжсън използва дронове и технология за машинно обучение, за да идентифицира по-добре дюгони в естествената им среда.
Използването на дронове за въздушна фотография предлага нов начин за получаване на необходимите изображения за работата на Ходжсън, но отваря проблема как най-добре да забележите морските крави в огромен брой снимки. Това е моментът, в който Ходжсън се обърна към машинното обучение - и към компютърния учен от Куинсландския технологичен университет
Фредерик Майр - за помощ.
Заедно те разработиха детектор, използвайки безплатна платформа за машинно обучение с отворен код TensorFlow, с цел автоматично идентифициране на дюгони в снимки. Този метод трябваше да работи с изображения с различна сложност, като например такива, където морската трева се вижда на морското дъно, или други, където могат да се видят отблясъци и бели капачки на повърхността на водата.
„Разработихме ефективна система за машинно обучение за автоматизиране на откриването на морски видове във въздушни изображения“, каза ни Мейр. „Ефективността на подхода може да се дължи на комбинацията от подходящ метод за предлагане на регион и използването на дълбоки невронни мрежи. Като се има предвид голямо изображение, модулът за предложение за регион генерира списък с подпрозорци на изображението, центрирани върху петна кандидати. След това всеки подпрозорец се подава към класификатор на невронна мрежа, който предсказва дали подпрозорецът съдържа или не дюгон.“
Последната версия на детектора може да намери 80 процента от дюгоните в изображения. Надяваме се, че този брой ще се увеличи в бъдеще.
„По-добрата новина е, че докато захранваме детектора с повече изображения на известни дюгони и му казваме кои от тях е сбъркал, точността на откриванията ще продължи да се подобрява“, отбеляза Ходжсън. „Тази технология може да се приложи за проучвания на всякакви видове, стига да започнете от кой набор от изображения да обучите детектора.“
Препоръки на редакторите
- Лаптопът за машинно обучение на Lambda е маскиран Razer
- DeepSqueak е изкуствен интелект за машинно обучение. който разкрива за какво си бъбрят плъховете
- Машинно обучение? Невронни мрежи? Ето вашето ръководство за многото вкусове на A.I.
Надградете начина си на животDigital Trends помага на читателите да следят забързания свят на технологиите с всички най-нови новини, забавни ревюта на продукти, проницателни редакционни статии и единствени по рода си кратки погледи.
