Die Notwendigkeit

Schneeleoparden sind Raubtiere in Zentralasien, die wegen ihrer schwer fassbaren Natur auch als „Geister der Berge“ bezeichnet werden. Ihre Population ist ein Schlüsselindikator für die Gesundheit des gesamten Ökosystems, aber sie können in freier Wildbahn schwer zu entdecken und zu verfolgen sein.

Die Idee

Wissenschaftler verwenden fotografische Fallen, um Schneeleoparden in ihren natürlichen Lebensräumen mit minimaler Störung zu entdecken. Fotografische Fallen erfassen Hunderttausende von Bildern, die dann identifiziert und analysiert werden müssen – eine arbeitsintensive Aufgabe, die mit KI-Diensten vereinfacht werden kann.

Die Lösung

Microsoft Machine Learning für Apache Spark (MMLSpark) und Azure Cognitive Services werden eingesetzt, um die Bildklassifizierung zu automatisieren, sodass Forscher gut getarnte Schneeleoparden in Bilderserien schneller erkennen können und mehr als 300 Stunden pro fotografischer Bestandsaufnahme eingespart werden.

Technische Details zu Snow Leopard Trust

Schneeleoparden sind eine vom Aussterben bedrohte Art, die in den Steppen und Gebirgsketten Asiens heimisch ist. Trotz ihrer großen Bedeutung als Raubtiere wissen wir nur sehr wenig über ihre Anzahl und ihr Verhalten. Aufgrund des abgelegenen Lebensraums des Schneeleoparden und seiner extrem scheuen Natur verwenden Wissenschaftler bewegungsempfindliche fotografische Fallen, um den Schneeleoparden in freier Wildbahn zu beobachten. Da die Kameras unabhängig von der Spezies ausgelöst werden, sind auf den meisten Bildern Ziegen, Vögel und vom Wind bewegtes Gras zu sehen. Nur 5 % der Bilder enthalten tatsächlich einen Leoparden, der wegen seiner Tarnung manchmal schwer zu erkennen ist. Es wurden mehr als 1 Million Bilder aufgenommen und die fotografischen Fallen nehmen jedes Jahr weitere 500.000 Bilder auf. Alle Bilder manuell zu sichten, um Schneeleoparden zu finden, würde Tausende von Stunden dauern.

Der Snow Leopard Trust nutzte Microsoft AI, um ein skalierbares Bilderkennungsprogramm zu entwickeln, das Schneeleoparden auf Fotos von Kamerafallen mit einer Genauigkeit von etwa 95 Prozent identifiziert. Darüber hinaus erstellte das Team ein Live-Dashboard, das die Sammelplätze der Schneeleoparden hervorhebt. Diese Sammelplätze dienen Leoparden als soziale Treffpunkte und spielen eine wichtige Rolle für ihre Kommunikation.

Umfassende unbeaufsichtigte Objekterkennung mit Microsoft ML für Apache Spark

Um eine Klassifikation von Leoparden zu erstellen, haben wir eine Technik namens Transfer-Lernen verwendet, bei der wir ein großes, universell einsetzbares, visuelles Netzwerk für eine spezifischere Klassifikationsaufgabe spezialisieren. In unserem Arbeitsablauf setzen wir ResNet50 ein, ein 50-lagiges, weitverzweigtes Netzwerk mit Restverbindungen, das auf die Herausforderung der ImageNet-Klassifizierung trainiert wurde. Mit Microsoft ML für Apache Spark können wir die Genauigkeit und Flexibilität von weitverzweigten Modellen mit der elastischen Skalierbarkeit von Apache Spark kombinieren, um schnell die Bilder im Datensatz zu markieren und einen Klassifikator auf der Grundlage dieser Merkmale zu ermitteln.

Wir erweitern unsere Basis-Pipeline um einige zusätzliche Funktionen zur Verbesserung der Leistung. Zunächst verwenden wir Azure Cognitive Services on Spark, um groß angelegte Bing-Bildsuchen direkt in Apache Spark zu integrieren. Wir können einen Teil der kollektiven Intelligenz von Bing nutzen, indem wir nach Bildern von Leoparden und Bildern von leeren Hängen suchen, um unseren Datensatz zu erweitern. Zusätzlich fügen wir unserem Datensatz horizontale Bildumkehrungen hinzu, um die Robustheit weiter zu verbessern. Schließlich aggregieren wir die Ergebnisse der Fotoserien der Kamerafallen, um dem Algorithmus zusätzliche Chancen zu geben, einen Leoparden in einem Stapel von Fotos zu entdecken.

Allein die Klassifizierung von Leopardenbildern reicht nicht aus, um ihre Anzahl im Ökosystem zu bestimmen. Genauer gesagt ist es schwierig, zwischen einem Ökosystem mit mehreren scheuen Leoparden und einem anderen mit einigen neugierigen Leoparden zu unterscheiden, die sich fotografieren lassen. Um dieses Problem zu lösen, verwenden wir Tools wie HotSpotter, um einzelne Leoparden anhand ihrer Fleckenmuster zu identifizieren. Diese Hilfsmittel erfordern jedoch oft einwandfreie, beschnittene Bilder des Zieltieres. Genauer gesagt erfordern diese Methoden nicht nur eine einfache Klassifizierung der Leoparden, sondern auch einen Leopardendetektor. Um unseren Klassifikator in ein Tool zu verwandeln, das Leopardenfellmuster erkennt, haben wir eine verteilte Implementierung der Black-Box-Modell-Interpretationstechnik LIME geschaffen. Mit LIME können wir unseren Klassifikator zu einem Modell verfeinern, das Leoparden tatsächlich am Muster unterscheiden kann, ohne dass der Mensch einen Begrenzungsrahmen vorgeben muss.

Microsoft AI for Earth investiert in Umweltwissenschaften

Microsoft hat 50 Millionen Dollar in Form von Zuschüssen bereitgestellt, um die Erhaltung von Wildtieren zu finanzieren. Das Programm AI for Earth verbindet Umweltwissenschaftler mit Künstlicher Intelligenz und den Rechenkapazitäten, die sie zum Erreichen ihrer Ziele benötigen. Das Programm hat auch Open-Source-Tools entwickelt, um die Analyse von Bildserien aus fotografischen Fallen zu beschleunigen.

Ressourcen:

Projekte im Umfeld von Snow Leopard Trust

Zu weiteren KI-Projekten im täglichen Leben

Entdecken Sie die Möglichkeiten von KI

Starten Sie Ihre eigenen KI-Innovationen mit Schulungsressourcen und Entwicklungslösungen von Microsoft AI.