科学家们“傻傻分不清”的鸟儿，找AI！准确率达90%_风闻

对于人类而言，群居织布鸟看上去几乎是一样的。图片来源：Afripics/Alamy Stock Photo

研究鸟的学者必须要面对这样一个事实，那就是有些物种难以辨别，特别是被称为“little brown job”的麻雀和单色的鸣禽。区分这些个体几乎是不可能的。现在，一个分析照片和视频的AI已经能够完成这一复杂工作。这一进展将有望揭示有关鸟类行为的新信息。

美国凯尼恩学院的行为生态学家Iris Levin说：“我们花了很多时间蹲守，并用双筒望远镜观察鸟类和它们的腿，原因在于，多年来，我们都是通过在鸟腿上放置彩色环来识别它们。用彩色环来识别野外鸟类以及实验室里的照片和视频的工作通常都很费力。”

现在，有一种特殊的设备，即无源集成应答器（PIT）标签可以通过记录动物互动时间的GPS和近距离传感器来简化工作。当一只鸟落在几厘米之内时可以向连接的天线发送信息。

自2017年以来，法国国家科学研究中心（CNRS）的行为生态学家克Claire Doutrelant和她的同事一直在将这些小标签绑到群居织布鸟（Philetairus socius）的腿环上。

善于交际的织布鸟一起在南部非洲建造大型鸟巢，通常是在金合欢树上。这些鸟巢重量可达1吨，每个巢中住着200多只织布鸟。它们的合作行为还包括雏鸟喂养以及对蛇和猎鹰的防御。为了研究这些行为，研究人员识别并跟踪了数百只织布鸟。

喂食器上的天线可以追踪哪些鸟生活在这个群体中。但更详细的信息，如哪些鸟对公共活动的贡献最大，是无法通过这种方式获取的。而且Doutrelant和她的同事们无法在整个鸟巢中放置天线，因为鸟儿对它们保持警惕，而且它们彼此之间的巢距离太近，无法进行可靠的数据采集。

因此，该团队成员、法国蒙彼利埃大学的博士生André Ferreira决定尝试一种人工智能方法。这种名为卷积神经网络的工具能够筛选成千上万张图片，以确定哪些视觉特征可用于对给定图像进行分类，然后使用这些信息对新图像进行分类。卷积神经网络已被用于识别野外的各种动植物物种，包括48种非洲动物。他们甚至为大象和一些灵长类动物完成了更为复杂的任务：区分同一物种的个体。

一种算法可以跟踪单只鸟在与其他鸟协作建立巨大的公共鸟巢时的行为。图片来源：Katia Bougiouri and André Ferreira

Ferreira向神经网络输入了30只已经被标记的群居织布鸟的数千张照片。他说：“没有人想出一种有效的方法来收集这些训练数据集。” 

为了拍摄照片，他在装有射频天线的喂鸟器附近安装了摄像头。织布鸟一落地，一台小型计算机就利用PIT标签记录其身份，并且照相机每2秒就拍摄一次鸟背部的照片。（背部是鸟在筑巢或觅食时最常被看到的部分）

仅仅两周后，Ferreira的照片就足以用来训练神经网络。Doutrelant回忆说：“我们不确定这是否可行，我们对这些鸟类进行了大量观察，如果没有颜色环，我们就永远无法识别它们。”

但是，当给出以前从未见过的照片时，神经网络在90%的时间里都能正确识别出鸟类个体，他们在本周的**《Methods in Ecology and Evolution》**上发表了这盘报告。Doutrelant说，这与人类用双筒望远镜观察彩色环的准确性差不多。

随后，Ferreira在马克斯普朗克动物行为研究所的行为生态学家Damien Farine研究的另外两种鸟类尝试了这种方法。该工具同样可以准确地识别圈养的斑马雀和野外的大山雀。这两个物种都已被生态学家广泛研究。

但是加州大学戴维斯分校的行为生态学家Gail Patricelli认为这种方法存在一些局限性。例如，对于难以捕获和标记的物种，可能很难获得训练神经网络所需的数千张可识别照片。她在研究更大的鼠尾草松鸡（一个数量正在减少的物种），并努力避免打扰它们，因为这会给鸟类造成压力。另一个潜在的限制：当鸟类换羽毛时，神经网络可能就无法识别它们了，因此需要重新训练。Ferreria正在收集其他特征的照片以改善该工具，例如头部外观。

Ferreira说，当前神经网络的最大局限性在于，它试图将每只鸟识别为已知的某只鸟，因此无法识别出新个体。Ferreira正在与Farine合作，尝试一种可以实现这一点的不同类型神经网络，这需要利用更多的鸟类照片对其进行训练。如果数据集足够大的话，这个工具甚至可以被那些没有给他们的鸟做标记的研究人员使用。Farine 说：“我认为这将彻底改变游戏规则。”

尽管存在这些限制，Patricelli仍认为这项新研究“令人兴奋”，并表示它为研究许多其他鸟类和行为提供了可能性。

Patricelli说：“这种算法能把我们肉眼看起来非常相似的鸟儿区分开来，这一事实着实令人震惊。”

论文链接：

https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.13436