La necesidad

Los leopardos de las nieves son superpredadores de Asia Central, conocidos como los “fantasmas de las montañas” debido a su naturaleza huidiza. Su población es un indicador clave de la salud de todo el ecosistema, pero pueden ser difíciles de detectar y rastrear en la naturaleza.

La idea

Los científicos usan cámaras trampa para detectar a los leopardos de las nieves en sus hábitats naturales sin perturbarlos. Las cámaras trampa capturan cientos de miles de imágenes que hay que identificar y analizar, una tarea que requiere mucho trabajo y que puede agilizarse con los servicios de IA.

La solución

Se utilizan Microsoft Machine Learning for Apache Spark (MMLSpark) y Azure Cognitive Services para automatizar la clasificación de las imágenes, lo cual permite que los investigadores encuentren más rápidamente a estos expertos en camuflaje en los conjuntos de imágenes y ahorren más de 300 horas en cada estudio.

Detalles técnicos de Snow Leopard Trust

El leopardo de las nieves es una especie muy amenazada, nativa de las estepas y zonas montañosas de Asia. A pesar de su importancia esencial como superpredador de este bioma, sabemos muy poco sobre sus cifras y comportamientos. Debido al hábitat remoto del felino, el hábitat amplio y su naturaleza extremadamente esquiva, los investigadores utilizan cámaras trampa activadas por movimientos para observar a los leopardos de las nieves en estado salvaje. Como las cámaras se activan con cualquier tipo de movimiento, la mayoría de las imágenes son de cabras, pájaros e incluso el viento que mueve las plantas. Solo aproximadamente el 5% de las imágenes contienen realmente un leopardo y, más encima, puede resultar difícil detectarlo debido al camuflaje. Se han recopilado más de 1 millón de imágenes y todos los años se agregan 500.000 imágenes nuevas provenientes de cámaras trampa. La revisión manual de todas las imágenes para encontrar un leopardo de las nieves podría tomar miles de horas.

Snow Leopard Trust utilizó la IA de Microsoft para crear un programa escalable de reconocimiento de imágenes con un 95% de exactitud para identificar a los leopardos de las nieves en las fotos de las cámaras trampa. Además, el equipo creó un panel de información en vivo que resalta las zonas activas de los leopardos de las nieves. Estas zonas sirven como puntos de reunión social para los leopardos y desempeñan un papel importante en su comunicación.

Detección profunda de objetos sin supervisión con Microsoft ML for Apache Spark

Para crear un clasificador de leopardos, usamos una técnica denominada aprendizaje por transferencia, donde especializamos una gran red de visión de uso general para realizar una tarea de clasificación más específica. En nuestro flujo de trabajo usamos ResNet50, una red convolucional con 50 niveles de profundidad con conexiones residuales que se entrenaron con el desafío de clasificación ImageNet. Con Microsoft ML for Apache Spark, podemos combinar la exactitud y la flexibilidad de los modelos profundos con la escalabilidad elástica de Apache Spark para identificar rápidamente los rasgos en todas las imágenes del conjunto de datos y aprender un clasificador con base en estos rasgos.

Ampliamos nuestra canalización básica con varias características adicionales para mejorar el rendimiento. En primer lugar, usamos Azure Cognitive Services en Spark para integrar las búsquedas a gran escala con Bing Image Search directamente en Apache Spark. Podemos usar parte de la inteligencia colectiva de Bing en la búsqueda de imágenes de leopardos e imágenes de paisajes vacíos para ampliar el conjunto de datos. Además, agregamos inversiones horizontales al conjunto de datos para mejorar la robustez. Por último, agrupamos los resultados de las ráfagas de imágenes para darle más oportunidad al algoritmo de detectar un leopardo en el conjunto de fotos.

La mera clasificación de las imágenes de leopardos no es suficiente para determinar la cantidad de leopardos en el ecosistema. Más concretamente, es difícil distinguir entre un ecosistema con muchos leopardos tímidos y otro con unos pocos leopardos amantes de las selfis. Para abordar este problema, usamos herramientas como HotSpotter para identificar a los leopardos individuales a partir de los patrones de sus manchas. Sin embargo, estas herramientas frecuentemente requieren imágenes con un comportamiento y donde el animal esté recortado. Más explícitamente, estos métodos no requieren solo un clasificador de leopardos, sino un detector de leopardos. Para transformar el clasificador en algo que pueda resaltar los patrones del leopardo, creamos una implementación distribuida de la técnica de interpretación de modelos de caja negra, LIME. LIME nos permite refinar el clasificador en un modelo que puede detectar los patrones reales del leopardo, sin requerir de cuadros delimitadores marcados manualmente.

Microsoft IA para la Tierra invierte en las ciencias ambientales

Microsoft ha consagrado 50 millones dólares en subvenciones para financiar la conservación de la fauna silvestre. El programa de IA para la Tierra conecta a los investigadores de las ciencias ambientales con los recursos de informática e IA que necesitan para cumplir con sus objetivos. El programa también ha desarrollado herramientas de código abierto para acelerar el análisis de las imágenes de las cámaras trampa.

Recursos:

Proyectos relacionados con Snow Leopard Trust

Explora más proyectos de IA para la sociedad

Explora las posibilidades de la IA

Inicia tus propias innovaciones en IA con los recursos de aprendizaje y las soluciones de desarrollo de IA de Microsoft.