Computadores treinados com sucesso para identificar animais em fotografias

Um modelo de computador desenvolvido na Universidade de Wyoming por pesquisadores dessa universidade e outros demonstrou notável precisão e eficiência na identificação de animais selvagens a partir de fotografias tiradas com armadilhas fotográficas na América do Norte.

O avanço da inteligência artificial, detalhado num artigo publicado na revista científica Methods in Ecology and Evolution, é descrito como um avanço significativo no estudo e conservação da vida selvagem. O modelo de computador agora está disponível em um pacote de software para o Programa R, uma linguagem de programação amplamente utilizada e um ambiente de software livre para computação estatística.

"A capacidade de identificar rapidamente milhões de imagens a partir de armadilhas fotográficas pode mudar fundamentalmente a maneira como os ecologistas projectam e implementam estudos sobre a vida selvagem", diz o estudo, cujos autores principais são o Departamento de Zoologia e Fisiologia da Universidade de Wyoming, como também o Centro de Epidemiologia e Saúde Animal do Departamento de Agricultura dos EUA em Fort Collins, Colorado.

O estudo baseia-se na pesquisa da universidade publicada no início deste ano no Proceedings of National Academy of Sciences (PNAS - revista científica oficial da Academia Nacional de Ciências, publicada desde 1915) em que um modelo de computador analisou 3,2 milhões de imagens capturadas por armadilhas fotográficas na África num projecto científico chamado Snapshot Serengeti. A técnica de inteligência artificial denominada aprendizagem profunda categorizava imagens de animais com uma taxa de precisão de 96,6%, a mesma taxa que as equipas de voluntários humanos atingiam, só que a um ritmo muito mais rápido.
 

Uma das fotografias usadas na experiência, em que os computadores obtiveram 97,6% de precisão

No último estudo, os pesquisadores treinaram uma rede neural profunda em Mount Moran, no grupo de computadores de alto desempenho da universidade, para classificar espécies de animais selvagens usando 3,37 milhões de imagens de armadilhas fotográficas de 27 espécies de animais obtidas de cinco estados dos Estados Unidos. O modelo foi testado em cerca de 375.000 imagens de animais a uma taxa de cerca de 2.000 imagens por minuto em um portátil, obtendo 97,6% de precisão - provavelmente a maior precisão até ao momento usando a aprendizagem profunda da máquina para classificação de imagens de animais selvagens. O modelo de computador também foi testado num subconjunto independente de 5.900 imagens de alces, bovinos, alces e porcos selvagens do Canadá, produzindo uma taxa de precisão de 81,8% e de 94% na remoção de imagens "vazias" (sem animais) de um conjunto de fotografias da Tanzânia.

Os pesquisadores disponibilizaram o seu modelo gratuitamente num pacote de software no Programa R. O pacote "Machine Learning for Wildlife Image Classification in R (MLWIC)" permite que outros utilizadores classifiquem as suas imagens contendo as 27 espécies do conjunto de dados, mas também permite que os utilizadores treinem os seus próprios modelos usando imagens de novos conjuntos de dados.

O principal autor do artigo PNAS, Mohammad Sadegh Arash Norouzzadeh, é um dos muitos colaboradores do novo artigo no "Methods in Ecology and Evolution". Outros investigadores que participaram da Universidade de Wyoming são o professor associado do Departamento de Ciência da Computação Jeff Clune e a investigadora de pós-doutorado Elizabeth Mandeville da Unidade Cooperativa de Pesquisa em Peixes e Vida Selvagem de Wyoming.

Outras organizações representadas no grupo de pesquisa são o National Wildlife Research Center do USDA, Arizona State University, Tejon Ranch Conservancy da Califórnia, a Universidade da Geórgia, a Universidade da Flórida, Parques e Vida Selvagem do Colorado, a Universidade de Saskatchewan e a Universidade de Montana.


Sites consultados:
Sciencedaily 
Wikipedia: Proceedings of the National Academy of Sciences of USA