對(duì)鳥(niǎo)類群體的持續(xù)觀測(cè)和保護(hù)一直是相關(guān)保護(hù)區(qū)工作的重中之重，但是由于保護(hù)區(qū)面積大、范圍廣，依靠傳統(tǒng)的鳥(niǎo)類人工調(diào)查難以實(shí)現(xiàn)高效的對(duì)鳥(niǎo)類重要棲息地的連續(xù)監(jiān)測(cè)，無(wú)法及時(shí)發(fā)現(xiàn)鳥(niǎo)類變化情況，隨著AI識(shí)別技術(shù)的發(fā)展，利用其時(shí)效性強(qiáng)、獲取快捷等優(yōu)勢(shì)特點(diǎn)，結(jié)合安裝高清高變倍攝像頭，可以及時(shí)識(shí)別保護(hù)區(qū)內(nèi)鳥(niǎo)類種類及數(shù)量，創(chuàng)新保護(hù)區(qū)鳥(niǎo)類監(jiān)測(cè)技術(shù)，為保護(hù)區(qū)的綜合管理提供重要支撐。

創(chuàng)視智能科技(南京)有限公司的算法團(tuán)隊(duì)研發(fā)出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)高精度鳥(niǎo)類識(shí)別算法，有效的解決了鳥(niǎo)類識(shí)別的問(wèn)題，算法準(zhǔn)確率超過(guò)92%。對(duì)于人類而言，很多不同種類的鳥(niǎo)，肉眼看起來(lái)卻幾乎完全相同，通過(guò)算法的實(shí)際應(yīng)用證明，人工智能(AI)可用于訓(xùn)練計(jì)算機(jī)以識(shí)別和區(qū)分這些鳥(niǎo)類，這是人類無(wú)法完成的任務(wù)。

創(chuàng)視智能的算法團(tuán)隊(duì)著力研究和解決對(duì)低質(zhì)量圖像的識(shí)別率不高的難題，通過(guò)基于FP32高浮點(diǎn)高精度算法、飽和預(yù)處理等新技術(shù)新算子的使用，提升針對(duì)低質(zhì)量監(jiān)測(cè)圖像的識(shí)別準(zhǔn)確率;同時(shí)優(yōu)化和完善了基于低樣本下的鳥(niǎo)類識(shí)別算法，目前深度學(xué)習(xí)技術(shù)大都是基于大的樣本庫(kù)來(lái)完成的，但是部分珍稀鳥(niǎo)類監(jiān)測(cè)圖像較少，創(chuàng)視智能形成了一種在少量樣本的情況下，實(shí)現(xiàn)高精度的自動(dòng)識(shí)別算法，對(duì)野生動(dòng)物識(shí)別的廣泛應(yīng)用有著重要意義。

算法團(tuán)隊(duì)通過(guò)對(duì)不斷積累的數(shù)百萬(wàn)張樣本的篩選標(biāo)注，并對(duì)樣本進(jìn)行隨機(jī)裁剪、遮擋、變形等預(yù)處理，分割出超千萬(wàn)級(jí)的樣本素材進(jìn)行訓(xùn)練，從而在算法的魯棒性上有了進(jìn)一步的提高。

基于多尺度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)搭建的深度學(xué)習(xí)算法模型可以對(duì)微小的野生動(dòng)物進(jìn)行精確的識(shí)別，同時(shí)基于華為昇騰310算力芯片的聯(lián)合開(kāi)發(fā)，已經(jīng)可以部署在他們集群環(huán)境和邊緣盒式產(chǎn)品中，使得識(shí)別速度高且算力性價(jià)比高。

在生態(tài)學(xué)中，這些方法先前已用于識(shí)別物種級(jí)別的動(dòng)物以及個(gè)體靈長(zhǎng)類動(dòng)物，豬和大象。但是，到目前為止，還沒(méi)有在鳥(niǎo)類之類的較小動(dòng)物中進(jìn)行過(guò)探索。只要模型中以前知道這些鳥(niǎo)類，該模型就可以從新圖像中識(shí)別鳥(niǎo)類。

該鳥(niǎo)類識(shí)別算法已成功推廣運(yùn)用到北京、江蘇、深圳等保護(hù)區(qū)或濕地公園中，極大提升了科研效率，推動(dòng)了人工智能在生物多樣性觀測(cè)及珍稀動(dòng)物保護(hù)領(lǐng)域的落地。

(新媒體責(zé)編：pl0901)