Durante más de una década, los proyectos de ciencia ciudadana han ayudado a los investigadores a utilizar el poder de miles de voluntarios que ayudan a clasificar conjuntos de datos que son demasiado grandes para un pequeño equipo de investigación. Anteriormente, estos datos generalmente no podían ser procesados por las computadoras porqueel trabajo requería habilidades que solo los humanos podían lograr.
Ahora, las técnicas de aprendizaje automático de la computadora que enseñan las habilidades específicas de reconocimiento de imágenes de la computadora se pueden usar en proyectos de crowdsourcing para tratar cantidades cada vez mayores de datos, lo que hace que las computadoras sean un nuevo socio sorprendente en proyectos de ciencia ciudadana.
La investigación, dirigida por la Universidad de Minnesota-Twin Cities, fue elegida como la portada del último número de la revista científica de la British Ecological Society Métodos en ecología y evolución .
En este estudio, científicos de datos y expertos en ciencia ciudadana se asociaron con ecologistas que a menudo estudian poblaciones de vida silvestre mediante el despliegue de trampas para cámaras. Estas trampas para cámaras son dispositivos remotos e independientes, activados por sensores de movimiento e infrarrojos que proporcionan a los investigadores imágenes de animales que pasan.recopilación, estas imágenes deben clasificarse de acuerdo con los objetivos del estudio para producir datos ecológicos útiles para el análisis.
"En el pasado, los investigadores pidieron a los científicos ciudadanos que los ayudaran a procesar y clasificar las imágenes en un plazo razonable", dijo el autor principal del estudio, Marco Willi, un recién graduado del programa de maestría en ciencias de datos e investigador de la Universidad de Minnesota.en la Facultad de Física y Astronomía de la Universidad ". Ahora, algunos de estos proyectos recientes de cámaras trampa han recogido millones de imágenes. Incluso con la ayuda de ciudadanos científicos, podría tomar años clasificar todas las imágenes. Este nuevo estudio es una pruebade concepto de que las técnicas de aprendizaje automático pueden ayudar a reducir significativamente el tiempo de clasificación "
Los investigadores utilizaron tres conjuntos de datos de imágenes recopiladas de África: Snapshot Serengeti, Camera catalog y Elephant Expedition, y un conjunto de datos de Snapshot Wisconsin con imágenes recopiladas en América del Norte. Cada conjunto de datos presentaba entre nueve y 55 especies y exhibía diferencias significativasen la frecuencia con la que se fotografiaron varias especies. Estos conjuntos de datos también diferían en aspectos como el tamaño del conjunto de datos, la ubicación de la cámara, la configuración de la cámara y la cobertura de las especies, lo que permite sacar conclusiones más generales.
Los investigadores utilizaron técnicas de aprendizaje automático que le enseñan a la computadora cómo clasificar las imágenes mostrando los conjuntos de datos de la computadora de imágenes ya clasificadas por humanos. Por ejemplo, a la máquina se le mostrarían imágenes completas y parciales que se sabe que son imágenes de cebras devarios ángulos. La computadora comenzaría a reconocer los patrones, bordes y partes del animal, y aprendería a identificar la imagen como una cebra. Los investigadores también pueden aprovechar algunas de estas habilidades para ayudar a las computadoras a identificar otros animales, comocomo un ciervo o una ardilla, con incluso menos imágenes.
La computadora también aprende a identificar imágenes vacías, que son imágenes sin animales en las que las cámaras generalmente se encendían por la vegetación que soplaba en el viento. En algunos casos, estas imágenes vacías constituyen aproximadamente el 80 por ciento de todas las imágenes de trampas de cámara. Eliminando todaslas imágenes vacías pueden acelerar en gran medida el proceso de clasificación.
Las tasas de precisión de la computadora para identificar imágenes vacías en proyectos varían entre 91.2 por ciento y 98.0 por ciento, mientras que las precisiones para identificar especies específicas están entre 88.7 por ciento y 92.7 por ciento. Si bien la precisión de clasificación de la computadora es baja para especies raras, la computadora también puede decirlos investigadores cuán confiados están en sus predicciones. Eliminar las predicciones de baja confianza aumenta las precisiones de la computadora al nivel de ciudadanos científicos.
"Nuestras técnicas de aprendizaje automático permiten a los investigadores de ecología acelerar el proceso de clasificación de imágenes y allanar el camino para proyectos de ciencia ciudadana aún más grandes en el futuro", dijo Willi. "En lugar de que cada imagen tenga que ser clasificada por múltiples voluntarios, uno odos voluntarios pudieron confirmar la clasificación de la computadora "
Si bien este estudio se centró en los programas de cámaras trampa ecológicas, Willi dijo que las mismas técnicas también se pueden usar en otros proyectos de ciencia ciudadana, como clasificar imágenes desde el espacio.
"Los datos en una amplia gama de áreas científicas están creciendo mucho más rápido que el número de voluntarios del proyecto de ciencia ciudadana", dijo la coautora del estudio Lucy Fortson, profesora de física y astronomía de la Universidad de Minnesota y cofundadora de Zooniverse, la más grandeplataforma en línea de ciencia ciudadana que fue sede de los proyectos en el estudio. "Si bien siempre habrá una necesidad de esfuerzo humano en estos proyectos, combinar estos esfuerzos con la ayuda de técnicas de Big Data puede ayudar a los investigadores a procesar más datos aún más rápido y permite a los voluntarioscentrarse en las clasificaciones más difíciles y raras ".
Dirigido por Fortson, el equipo de Zooniverse de la Universidad de Minnesota, incluido Willi, está trabajando para integrar técnicas de aprendizaje automático en la plataforma para que los cientos de investigadores de astronomía y zoología que usan la plataforma puedan aprovecharlas.
Además de los investigadores de la Universidad de Minnesota, el equipo internacional en este estudio incluyó investigadores de la Universidad de Oxford, el Departamento de Recursos Naturales de Wisconsin, el Instituto de Comunidades y Vida Silvestre en África, el Planetario Adler y la organización de conservación Panthera.
Fuente de la historia :
Materiales proporcionado por Universidad de Minnesota . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :