讀取馬蹄上的條碼:深度學習技術如何挽救瀕臨絕種的斑馬

作者 Tony Kontzer

Dan Rubenstein 將他的工作奉獻在挽救瀕臨絕種的細紋斑馬(Grevy’s zebra)上。

結合採用深度學習技術的影像辨識軟體和群眾外包方式,讓他更快速精準地收集到各項資料,對於保育工作造成實質性的進展。

Rubenstein 在1980年開始研究細紋斑馬時,當時這種斑馬的數量急劇減少,僅僅六年後便成為瀕臨絕種的動物。

普林斯頓大學 Class of 1877 生物學實驗室動物學教授 Rubenstein 為了避免這種斑馬從地球上消失,開始拍攝相關紀錄片,甚至試著建立田野影像資料。


年輕的母細紋斑馬(拍攝者 Morgan Kelly,
照片提供普林斯頓大學公關室)

那可是一件吃重的工作,因此他開始手繪這種動物身上獨特的條紋圖案,確有成效沒錯,卻也相當耗時。

數位攝影和軟體讓 Rubenstein 能為每隻斑馬身上的特徵加以編碼,以供日後辨識使用,他說這可為他的工作帶來「神奇般的」進展。

「必須一一加以辨識,才能明白每隻斑馬做決定的過程,判斷出環境特徵如何塑造出動物的行為。」Rubenstein 如是說。

Great Grevy’s Rally」統計活動

最新一項推動 Rubenstein 研究工作進展的技術:名為「HotSpotter」、採用深度學習技術的影像辨識軟體,加上500名公民科學家、保育人士及其他參與「Great Grevy’s Rally」這項嶄新統計活動之人士的協助。

HotSpotter 是一組由美國紐約州特洛伊市壬色列理工學院電腦科學教授 Chuck Stewart,在一套運行 NVIDIA GPU 的系統上開發和訓練的深度卷積神經網絡演算法。

讀取條碼般的條紋

這套演算法可藉由斑馬身上條碼般的條紋和身形來過濾圖片,還有判斷斑馬的姿態和分析圖片品質。處理每張圖片約一秒鐘的時間,較傳統作法快上不少。

HotSpotter 正是 Great Grevy’s Rally 這項活動背後的技術引擎。這個活動今年初召集數百名志願者科學家、管理員和社會大眾前往肯亞,這些人分成多個小隊,配備擁有 GPS 功能的攝影機,分散前往廣達2.5萬平方公里的牧地,在兩天內盡量拍攝細紋斑馬的照片,最後取得四萬張的照片。


數百名公民科學家協助在肯亞各地拍攝細紋斑馬的照片。

HotSpotter 在此發揮其長才。在總數四萬張的照片裡,有1.5萬張是清晰且捕捉到細紋斑馬面朝特定的方向(研究人員想要拍到斑馬的右側,以便進行辨識)。在分析完這1.5萬張照片後,HotSpotter 顯示順利完成 Great Grevy’s Rally 活動。

軟體判斷出這些志工拍攝到近兩千張獨一無二清楚辨識和命名的個體斑馬,或是相當於逾八成在肯亞的細紋斑馬總數(還有數百隻存活在衣索比亞)。

平實記錄斑馬生態

在活動首日就拍攝到近1,400張獨一無二的斑馬照片,次日又拍到超過500張過去沒見過的斑馬,加上近900張跟前一日重複拍到的斑馬照片。

Rubenstein 藉由這項統計結果,表示目前更有信心推估出目前有2,350頭細紋斑馬。

Rubenstein 說:「這讓推估出的數字更具公信力,這是從前做不到的,這樣人們才會更加注意。」

同樣重要的是,HotSpotter 的演算法協助研究人員發掘出重要的見解,像是其中 30% 的細紋斑馬為剛出生的小斑馬或幼仔,研究人員表示這是斑馬數量趨於穩定和維持下去的重要門檻。

拍到(且在許多情況裡再次被看到)斑馬的地點分布模式,突顯出需要保障細紋斑馬在重要地點草場和飲水的來源。

研究員和科學家團隊打算使用這些結果推動草場恢復、改善水源、發展善待野生動物的基礎建設,以及共同努力在斑馬數量最為稀少的地區之一提高獅子的捕食率。

GPU 的角色變大,重要性也擴大

研究團隊使用 GPU 來發展 HotSpotter,且在照片分析過程的偵測階段裡(系統搜尋照片裡是否有出現目標動物,以及對照片的角度進行分類和標示),系統也是在 GPU 上運行。Stewart 說其實 GPU 使得偵測每張照片的時間不到一秒鐘,這可比在 CPU 上進行作業的時間快上20到30倍。

「這意謂著我們可以使用更精密的演算法,使用更大型的影像訓練庫來訓練系統。」他說。

Stewart 跟他在壬色列理工學院的研究團隊正在努力開發更完整的演算法,協助偵測和辨識鯨鯊、魟魚及海豚等海洋動物,這一切也依靠 GPU 的協助。

只要 Stewart 在技術方面不斷將過去的人工作業改成自動化處理,讓研究團隊將心力放在分析自影像資料取得的心得,像是 Rubenstein 這樣的生態學家期望能在動物保育方面更有所進展。

Rubenstein 說:「別出現人類的慢動作正是關鍵。」