人工智能分辨不出即使是专家也不能区分的鸟类

对于观鸟人来说，有些物种是非常难以区分的，这是生活中的一个事实-特别是被称为“小棕色工作”的麻雀和单调的鸣鸟。区分个人几乎是不可能的。现在，一个分析照片和视频的计算机程序已经完成了这一壮举。这一进展有望揭示有关鸟类行为的新信息。

凯尼恩学院的行为生态学家艾丽斯·莱文没有参与这项新工作，她说：“我们花了很多时间用双筒望远镜，蹲下来，盯着鸟类和它们的腿。”原因：多年来，研究人员一直通过在鸟类腿上放置彩色带子来识别鸟类。他们使用这些带子来识别野外的鸟类-并在实验室的照片和视频中识别。莱文说，这项任务往往很费力。

特别配备的标签可以让这项工作变得更容易，因为它包括GPS和近距离传感器，可以记录动物何时互动。无源集成应答器(PIT)标签，也用于防止商店行窃和识别宠物，当一只鸟降落在几厘米以内时，它会ping连接的天线。法国国家研究机构CNRS的行为生态学家克莱尔·多特雷兰特和她的同事们从2017年开始在群居织布鸟(Philetairus Socius)的腿环上添加这些小标签。

善于交际的编织者一起在南部非洲建造大型巢穴，通常是在相思树上。这些鸟巢的重量可达1吨，每个房间可容纳多达200只鸟。他们的合作行为还包括饲养小鸡和防御蛇和猎鹰。为了研究这些行为，研究人员识别并跟踪了数百只个体鸟类。

喂食器上的天线记录着哪些鸟生活在这个群体中。但更细粒度的信息--比如哪些鸟类对公共活动贡献最大--还不可能通过这种方式获得。Doutrelant和她的同事不能在鸟巢里到处放置天线：鸟儿对它们很警惕，它们的房间离得太近，不能可靠地收集数据。

因此，团队成员、蒙彼利埃大学博士生安德烈·费雷拉(AndréFerreira)决定尝试一种人工智能。这个名为卷积神经网络的工具从数千张图片中筛选出来，找出哪些视觉特征可以用来对给定的图像进行分类；然后它使用这些信息来对新的图像进行分类。卷积神经网络已经被用来识别各种野生动植物物种，其中包括48种非洲动物。他们甚至为大象和一些灵长类动物完成了一项更复杂的任务：区分同一物种的个体。

费雷拉向神经网络提供了数千张已经被标记的30名社会性编织者的照片。“没有人想出一种有效的方法来收集这些训练数据集，”他说。为了拍摄这些照片，他在装有射频天线的喂鸟器附近安装了相机。鸟儿一着陆，一台小型电脑就会用它们的坑牌记录它们的身份，相机每隔2秒就会拍下它们背部的照片。(后视图是鸟儿筑巢或觅食时最常看到的部分。)。

仅仅两周后，费雷拉就有了足够的照片来训练神经网络。Doutrelant回忆说：“我们不确定它是否会奏效。”“我们观察了很多这些鸟，如果没有彩环，我们从来没有办法认出它们。”但是当给出它以前没有见过的照片时，神经网络在90%的时间里正确地识别了单个鸟类，他们本周在《生态学和进化的方法》上报道了这一点。Doutrelant说，这与人类试图用双筒望远镜发现彩环的精确度大致相同。

费雷拉随后在马克斯·普朗克动物行为研究所的行为生态学家达米恩·法林(Damien Farine)研究的另外两种鸟类上尝试了这种方法。该工具在识别圈养斑马雀和野外大山雀方面同样准确。生态学家对这两个物种都进行了广泛的研究。

但加州大学戴维斯分校(University of California，Davis)的行为生态学家盖尔·帕特里切利(Gail Patricelli)看到了这种方法的一些局限性。例如，对于难以捕获和标记的物种，可能很难获得训练神经网络所需的数千张可识别的照片。她研究的是大鼠尾松鸡，这是一种正在衰落的物种，她试图避免接触它们，因为这会给鸟类带来压力。另一个潜在的限制是：当鸟类蜕皮时，神经网络可能无法识别它们，需要重新训练。Ferreria正在收集其他特征的照片，比如头部的外貌，以改进这个工具。

费雷拉说，目前神经网络的最大限制是它试图将每一只鸟都识别为它已经认识的鸟，所以它不能识别新的个体。费雷拉现在正在与法林合作，尝试一种可以做到这一点的不同类型的神经网络-它需要针对更多鸟类的图片进行训练。如果数据集足够大，该工具甚至可以被没有标记鸟类的研究人员使用。“我认为这将彻底改变游戏规则，”法林说。

尽管有这些局限性，帕特里切利称这项新工作“令人兴奋”，并表示它为研究许多其他鸟类物种和行为打开了可能性。“当它们看起来与肉眼非常相似时，这种算法能够将它们区分开来，这一事实绝对令人震惊。”