Kamera Görüntüleri ve Derin Öğrenme ile Vahşi Hayvanların Tanımlanması

0
236
derinöğrenmevahşihayvanlar
derinöğrenmevahşihayvanlar

Yaban hayatı konumu ve geniş coğrafi alanlardaki davranışlar hakkında doğru, detaylı ve güncel bilgilere sahip olmak, türler ve ekosistemleri inceleme, koruma ve yönetme kabiliyetimizde devrim yaratabilir.

Şu anda bu tür veriler çoğunlukla büyük bir masrafla elle toplanmaktadır ve dolayısıyla seyrek ve nadiren bu verileri toplayabilmekteyiz. Burada, bu verileri hareket sensörü kameralarından otomatik, doğru ve düşük maliyetle elde edebilme yeteneğini araştırıyoruz.

derinöğrenmevahşihayvanlar2
Kamera Görüntüleri ve Derin Öğrenme ile Vahşi Hayvanların Tanımlanması

Bu kameralar, yaban hayvanlarının resimlerinin ucuz ve yüksek hacimli olarak toplanmasını sağlar. Bununla birlikte, bu resimlerde hayvanların, hayvan özelliklerinin ve davranışlarının belirlenmesi, genellikle araştırmacılar, işe alınan teknisyenler veya gönüllü insan kaynakları ekipleri tarafından gerçekleştirilen pahalı, zaman alan manuel bir görev olarak yapılmaktadır.

Derin Öğrenme ile Elde Edilen Sonuçlar

Bu yazıda, bu tür verilerin Yapay Zekâ’nın en ileri örneklerinden biri olan derin öğrenme tarafından otomatik olarak çıkarılabileceğini göreceğiz. Özellikle, Anlık Fotoğraf “Serengeti Veri Seti”ndeki mevcut insan işaretli resimleri, Tanzanya Serengeti Milli Parkı’ndan alınan 3.2 milyon görüntüde 48 türün tanımlanması için derin konvansiyonel sinir ağlarını eğitmek için kullanılıyor. Otomatik olarak %92 doğrulukla hayvanları tanımlayan sinir ağlarını eğitiyoruz. Daha da önemlisi, sistemimize yalnızca kendine güvenen görüntüleri sınıflandırabilir ve insanların değerli zamanlarının yalnızca zorlu resimlere odaklanmasını sağlayabiliriz. Bu durumda, otomatik hayvan tanımlama sistemi, 3.2 milyon görüntü veri kümesiyle aynı, %96.6 doğruluk düzeyinde (crowdsourced) çalışırken, insan etiketleme çabasının yaklaşık 8.8 yıl (haftada 40 saatte) sürmesiyle (yani 17.000 saatin üzerinde) tasarruf sağlıyor

İnsan gönüllülerinin takımları yerine bu şekilde verimlilik kazanımlarını, kamera görüntülerinden veri çıkarılmasını otomatikleştirmek için derin öğrenme kullanmanın önemini hemen anlayabiliyoruz.

Nvidia Blog’unda bahsi geçen yazı yukarıdaki makaleyi işaret etmektedir.

Araştırmacılar , Torch derin öğrenme kütüphanesi ile NVIDIA DGX-1 AI süper bilgisayarı ve CUDA , cuDNN ve NCLL dahil olmak üzere çeşitli GPU‘ları kullanarak, derin konvansiyonel sinir ağını 48 türün ulusal parkın gizli kamera görüntülerinden 3.2 milyon görüntüde tanıması için eğitti. %92 doğruluğa sahip olan hayvan çeşitlerini otomatik olarak tespit etmek için sinir ağlarını eğitmeyi başardılar.

Kaynaklar

  • https://arxiv.org/abs/1703.05830
  • https://news.developer.nvidia.com/automatically-identify-wild-animals-in-camera-trap-images/

 

Facebook Yorumları