Maschinelles Lernen könnte dazu beitragen, Forschungsaufgaben zu erledigen, die normalerweise Bürgerwissenschaftlern übertragen werden. Eine neue Studie zeigt, wie das Unterrichten computerspezifischer Bilderkennungsfähigkeiten in Projekten eingesetzt werden kann, bei denen große Mengen von Bilddaten klassifiziert werden müssen.
SIEHE AUCH: GOOGLE FLIGHTS VERWENDET MASCHINENLERNEN, UM FLUGVERZÖGERUNGEN VOR FLUGZEUGEN VORZUSAGEN
Seit Jahren nutzen Wissenschaftler Freiwillige, die ihnen beim Sortieren von riesigen Datenmengen helfen, die für kleine Forschungsteams zu groß sind. Früher musste diese Arbeit von Menschen durchgeführt werden, da die Technologie für eine Maschine dazu nicht vorhanden war.
Forscher haben sich mit Ökologen zusammengetan
Aber das wird sich bald ändern. Um das zu testen maschinelles Lernen Idee, die Forscher in Zusammenarbeit mit Ökologen die Wildtiere mit Kamerafallen untersuchen. Diese „Fallen“ sind versteckte Kameras, die durch Bewegungs- und Infrarotsensoren ausgelöst werden und Bilder liefern, die die Ökologen für ihre spezifische Forschung verwenden können.
Alle resultierenden Bilder müssen jedoch überprüft und klassifiziert werden, damit sie nützliche Daten für die Analyse liefern können. Diese Aufgabe wird häufig geschulten Freiwilligen übertragen, die die Aufgabe innerhalb des erforderlichen Zeitrahmens erledigen können. Die neue Forschung ersetzt jedoch Freiwillige durch Computer.
Bürgerwissenschaftler werden immer wertvoll sein
"In der Vergangenheit haben Forscher Bürgerwissenschaftler gebeten, ihnen bei der Verarbeitung und Klassifizierung der Bilder innerhalb eines angemessenen Zeitrahmens zu helfen." sagte der Hauptautor der Studie, Marco Willi, Absolvent des Masterstudiengangs für Datenwissenschaft der Universität von Minnesota und Forscher an der Fakultät für Physik und Astronomie der Universität.
"Einige dieser kürzlich durchgeführten Kamerafallenprojekte haben Millionen von Bildern gesammelt. Selbst mit Hilfe von Bürgerwissenschaftlern kann es Jahre dauern, bis alle Bilder klassifiziert sind. Diese neue Studie ist ein Proof-of-Concept, das Techniken des maschinellen Lernens ermöglichenhelfen, die Zeit der Klassifizierung erheblich zu verkürzen. "
Um ihre Theorie zu testen, dass Techniken des maschinellen Lernens in diesen Fällen wertvoll sein könnten, sammelten die Wissenschaftler drei Datensätze mit Bildern aus Afrika - Snapshot Serengeti, Kamerakatalog und Elephant Expedition - und einen Datensatz aus Snapshot Wisconsin mit im Norden gesammelten BildernAmerika.
Computer beginnt mit Umrissen und Farben zu lernen
Jeder Datensatz enthielt zwischen neun und fünfundfünfzig Arten. Die Datensätze unterschieden sich auch in der Art und Weise, wie jede Art fotografiert wurde, in der Kameraposition, in der Kamerakonfiguration und in der Artenabdeckung. Anschließend wurde dem Computer beigebracht, wie die Bilder klassifiziert werden, indem die Bilder angezeigt werdenAus einem Datensatz, der bereits von Menschen klassifiziert wurde. Beispielsweise würde der Maschine Voll- und Teilbilder eines Warzenschweins angezeigt. Der Computer würde dann beginnen, die Kanten und Farben von Warzenschweinen in Bildern zu erkennen, bevor er sie korrekt klassifizieren kann.
Der Computer hat auch gelernt, wann Fotos ohne anwesende Tiere identifizieren Dies passiert, wenn Wind die Kamera auslöst. Wenn Sie diese "leeren" Fotos schnell entfernen können, kann dies den gesamten Klassifizierungsaufwand erheblich beschleunigen.
Klassifizierungsprojekte wurden stark beschleunigt
"Unsere Techniken des maschinellen Lernens ermöglichen es Ökologieforschern, den Bildklassifizierungsprozess zu beschleunigen und den Weg für noch größere bürgerwissenschaftliche Projekte in der Zukunft zu ebnen", Willi sagte . "Anstatt dass jedes Bild von mehreren Freiwilligen klassifiziert werden muss, können ein oder zwei Freiwillige die Klassifizierung des Computers bestätigen."
Während sich dieser Test der Fähigkeit maschineller Lerntechniken bei der Bildklassifizierung auf Tierbilder aus Kamerafallen konzentrierte, sagen die Forscher, dass die gleichen Ideen auf andere Wissenschaftsbereiche angewendet werden könnten, die sich mit Bürgerwissenschaftlern wie Weltraum und Biologie befassen.
"Daten in einer Vielzahl von Wissenschaftsbereichen wachsen viel schneller als die Anzahl der Freiwilligen für bürgerwissenschaftliche Projekte" sagte Studienmitautorin Lucy Fortson, Professorin für Physik und Astronomie an der Universität von Minnesota und Mitbegründerin von Zooniverse, der größten bürgerwissenschaftlichen Online-Plattform, auf der die Projekte der Studie durchgeführt wurden.
"Während in diesen Projekten immer menschlicher Aufwand erforderlich sein wird, kann die Kombination dieser Bemühungen mit Hilfe von Big-Data-Techniken den Forschern helfen, mehr Daten noch schneller zu verarbeiten, und den Freiwilligen ermöglichen, sich auf die schwierigeren, selteneren Klassifizierungen zu konzentrieren."