Дронови, машинско учење помажу у спасавању угрожених морских крава

Угрожене морске краве дронови мл ламантин у свету Орландо 10. март
Аходгес7 ЦЦ
Једна је ствар желети да заштитимо угрожене животиње, али сасвим друга да их пратимо. Пример: дугонг, морски сисар средње величине који се често назива морска крава. Можда су слатки, али их је лакше рећи него учинити.

Пошто истраживачи мора то желе да ураде како би пратили величину популације, статус очувања и њихова важна подручја станишта, то представља мали проблем.

Препоручени видео снимци

На срећу, овде је др Аманда Хоџсон са аустралијског универзитета Мардок долази у. Члан универзитетске јединице за истраживање китова, Хоџсон је користио беспилотне летелице и технологију машинског учења како би боље идентификовао дугонге у њиховом природном окружењу.

Коришћење дронова за фотографисање из ваздуха нуди нови начин за добијање потребних слика за Хоџсонов рад, али отвара проблем како најбоље уочити морске краве на огромном броју фотографија. Ово је тачка у којој се Хоџсон окренуо машинском учењу - и компјутерском научнику Технолошког универзитета Квинсленд Фредериц Маире - за помоћ.

финд_тхе_сеа_цов_солутион

Заједно су развили детектор користећи бесплатну платформу за машинско учење отвореног кода ТенсорФлов, са циљем да се дугонгови аутоматски идентификују на фотографијама. Овај метод је морао да ради са сликама различите сложености, као што су оне на којима је морска трава видљива на морском дну, или друге на којима се на површини воде могу видети одсјаји и беле капе.

„Развили смо ефикасан систем машинског учења за аутоматизацију откривања морских врста на снимцима из ваздуха“, рекао нам је Маире. „Ефикасност приступа може се приписати комбинацији добро прикладне методе предлога региона и употребе дубоких неуронских мрежа. Уз велику слику, модул предлога региона генерише листу подпрозора слике, усредсређених на блобове кандидата. Сваки подпрозор се затим доводи у класификатор неуронске мреже који предвиђа да ли подпрозор садржи дугонга или не."

Најновија верзија детектора може пронаћи 80 посто дугонгова на сликама. Тај број ће се, надамо се, повећати у будућности.

„Боља вест је да док детектору хранимо више слика познатих дугонгова и кажемо му који су погрешили, тачност детекције ће наставити да се побољшава“, приметио је Хоџсон. „Ова технологија би се могла применити на истраживања било које врсте све док почнете са којим скупом слика да обучите детектор.

Препоруке уредника

  • Ламбда-ин лаптоп за машинско учење је прерушен Разер
  • ДеепСкуеак је А.И. то открива о чему пацови ћаскају
  • Машинско учење? Неуронске мреже? Ево вашег водича за многе укусе А.И.

Надоградите свој животни стилДигитални трендови помажу читаоцима да прате брзи свет технологије са свим најновијим вестима, забавним рецензијама производа, проницљивим уводницима и јединственим кратким прегледима.