SMC 資料庫

議題背景

2020年07月26日，法國蒙彼利埃第三大學生態演化與功能研究中心團隊在《生態與演化方法學》期刊（Methods in Ecology and Evolution）發表〈以深度學習為基礎的小型鳥類個體辨識方法〉（Deep learning‐based methods for individual recognition in small birds）。

之前科學家多利用大型動物的特徵辨識不同的個體，以便進一步了解不同個體在動物群體中扮演的角色與行為模式。也曾以AI模型來識別靈長類、豬和大象，但這篇研究是首次應用在實驗室以外的小型動物上，以群織雀（Philetairus socius）、大山雀（Parus major）和斑胸草雀（Taeniopygia guttata）這三種鳥類為研究對象。

由於研究的鳥類群體中，大多數的鳥類已經植入可供辨識的晶片，可以區別不同的個體；而後研究人員大量蒐集每個個體的照片，用以訓練擅長辨識圖片差異的AI──卷積神經網路（Convolution Neural Network，CNN），並透過訓練產出模型，辨識不同鳥類個體的特徵。再重新使用不同背景下，所拍攝的個體照片，測試模型的辨識能力。研究發現AI辨識野生群織雀與大山雀的準確度超過90%，辨識飼養的斑胸草雀準確度超過87%。但研究亦指出，若要將AI訓練到與FaceBook一樣能直接辨識照片中人臉與身分的程度，如何大量蒐集野外鳥類個體照片將是一大挑戰。

相關資料

1. Ferreira, A. C., Silva, L. R., Renna, F., Brandl, H. B., Renoult, J. P., Farine, D. R., Covas, R., and Doutrelant, C. （2020）. “Deep learning‐based methods for individual recognition in small birds.” Methods in Ecology and Evolution.
2. Barkham, P. （2020）. “AI model developed to identify individual birds without tagging.” The Guardian.

專家怎麼說？

2020年8月20日
國立臺灣大學生物機電工程學系副教授 郭彥甫

運用AI辨識鳥類或不同生物個體，可以幫助我們瞭解環境或生態。AI的特點是可以擴大辨識的規模，把本來很耗人力的辨識工作，交付電腦完成，因此可以增加很多的辨識能量。由於成本有限，人類為了瞭解環境與生態，是以研究人員至野外實地統計動物數量的方式，但取得的照片或動物樣本數量有限。近年來國民的環境生態意識提高，國人可能會好奇生活環境周邊的鳥類有多少，有哪些種類，然而要統計的物種眾多，用人力調查的成本太高，人力也不足。有些研究因為收集的資料沒有達到統計所需的最低數量，可能無法進行，若有AI辨識的協助就變得可行了。

這篇〈Deep learning-based methods for individual recognition in small birds〉研究中的AI模型，是辨識鳥類個體，AI除了瞭解是哪種鳥類外，還要知道是哪隻鳥。公民科學可以知道某種鳥類出現的頻率，但人力有限，無法連續24小時的收集大量鳥類個體的資料。通常是利用生物的特徵（Biometrics）來辨識個體，人類雖然很會辨識人類個體，但辨識動物，譬如說老虎是哪一隻，就沒有那麼敏感。要讓人類辨識大量的野生動物個體，有一定的困難。因此公民科學和AI結合，有可能協助克服研究挑戰。

運用AI技術中的CNN演算法[註1]辨識物種，有別於傳統的機器學習，最大的特點在於不用科學家自訂生物特徵，而是讓電腦自行學習特徵。舉例來說，如果今天一隻鳥的特徵是背上羽毛的花紋，傳統的機器學習方式是由專業人員定義花紋，再訓練電腦學習辨識不同個體。然而人要描述花紋有困難，可能一般人都不知道花紋的描述方式。相對來說，用CNN演算法訓練模型，可以讓AI直接從鳥背上的花紋找到特徵。這樣的方式不但更精準，不偏差（unbias），且可以自動化，大量節省人力。

目前的AI技術辨識鳥類個體的限制在於，照片數量是否足夠，以及鳥類的生物特徵是否足夠讓AI辨識不同個體。以我們團隊正在投稿的研究為例，發現用CNN演算法辨識貓的個體時，如果貓的毛色是沒有花紋、全黑，或全白，即使照片數量足夠，因為個體上的特徵不夠鮮明，仍然會造成無法辨識或辨識錯誤的狀況。

2020年8月21日
行政院農業委員會特有生物研究保育中心助理研究員 吳世鴻

在鳥類族群和行為生態研究中，經常用到「繫放」這種技術，將鳥類安全捕捉後，附掛上可供辨識個體的標記物，再予野放，以利後續追蹤及研究個體。但這過程需要耗費大量的時間、人力和物力，使得累積的資料有限。若能透過AI自動化辨識、追蹤與記錄，將有助於突破這些研究上的瓶頸，協助科學家累積大量的資料。而資料量越大，研究分析的可信度也就越高，我們就越有機會瞭解我們所處的自然生態環境，甚而發掘出新的現象或問題。

由於卷積神經網路（後簡稱CNN）演算法擅長辨識影像[註1]，生態學家們也積極的將這技術引入生態研究領域，用來辨識和計數野生動物，以瞭解他們的族群數量、趨勢和移動路徑等。但利用CNN演算法訓練AI自動辨識的先決要件，就是需要大量已由人類標註的訓練資料，而這需要耗費大量的資源。且辨識的難度越高，所需要的資料量也就越大。因此，如何獲取足夠量的訓練資料，成為研究人員首要面對的挑戰。這時，公民科學便扮演了重要角色，例如穆罕默德．諾魯札德（Mohammad Sadegh Norouzzadeh）等人[註2]與6萬8千位公民科學家協作，由公民科學家一一標記320萬張相片中的物種，建立訓練資料庫，來訓練AI辨識48種非洲動物。

訓練AI辨識不同物種，便需要如此大量的資料，訓練AI辨識同物種間的個體勢必更難，因為同物種在外觀上更相似，所需的資料量也更大。就像認人會從臉開始，安德烈・費雷拉（André C. Ferreira）等人的研究[註3]也挑選了最容易觀察，個體間的特徵差異也較大的部位作為辨識標的，也就是這些小型雀鳥的背面。相對於從各個角度的照片辨識出個體，鎖定背面局部特徵，將有機會減少訓練所需的資料量。

接著則需要取得大量的已標記個體編號的背面照片作為訓練資料，安德烈・費雷拉等人針對野生的群織雀、大山雀及室內圈養的斑胸草雀，分別設計了自動化的照片蒐集流程。野生個體體內已植入有個體辨識用的PIT標籤（類似寵物晶片的縮小版），可透過無線射頻辨識（Radio Frequency Identification, RFID）感應器確認個體。研究將感應器裝設在野外的餵食台下方，當身上有標籤的鳥站上餵食台時，便會啟動相機從背面拍攝照片或影片，並自動標記個體的編號。而圈養的斑胸草雀，只需將單隻個體關在獨立籠舍，並設定相機定時從上方拍照即可。透過這兩個流程，團隊便能自動而大量的累積照片資料，並利用CNN演算法訓練AI產生自動辨識模型。

研究透過鎖定局部特徵及自動化取得大量資料，成功讓自動辨識模型對3種鳥的辨識準確性都可以達到85%以上，已深具應用的價值。但此模型也有限制，儘管對資料庫內的鳥類可以獲得很高的辨識準確度，但若給予一個外部的資料，也就是非資料庫中的鳥，辨識準確度便會降低。且外部資料的數量占比越高，準確度的下滑幅度也會越大。而在一個野生鳥類族群，防止非資料庫中的鳥進入研究範圍是不切實際的。為此，團隊建議，除了繼續累積資料以提高模型準確度外，也可以對同一隻鳥連續拍攝數張照片，綜合多張照片的辨識結果來提高準確度。

以CNN演算法訓練AI產生物種間或個體間的影像自動辨識模型，當前的瓶頸在於累積足夠的訓練資料。這篇研究提出自動化蒐集訓練資料的新方向，並鼓勵研究人員分享這些資料，以促進資料的累積及AI工具的開發。相信在不久的將來，會有越來越多成功的演算法被開發出來，或有更有效的方式訓練AI，協助研究人員蒐集資料來瞭解和釐清自然生態的各個樣貌。

相關利益聲明
研究範疇：鳥類族群及行為生態學、野生動物聲音自動辨識演算法
經費來源：林務局委託計畫、特有生物研究保育中心法定預算

註釋與參考資料：

[註1]關於卷積神經網路（CNN）技術的解釋歡迎參考〈深度學習卷積神經網路用於醫療診斷─專家QA〉

[註2]Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Packer, C., and Clune, J. (2017). “Automatically identifying wild animals in camera trap images with deep learning.” Proceedings of the National Academy of Science. 115(25):1-12

[註3]Ferreira, A. C., Silva, L. R., Renna, F., Brandl, H. B., Renoult, J. P., Farine, D. R., Covas, R., and Doutrelant, C. (2020). “Deep learning‐based methods for individual recognition in small birds .” Methods in Ecology and Evolution.