Слонов посчитали со спутника

Исследователи из Великобритании и Нидерландов научили нейросеть распознавать и подсчитывать слонов на спутниковых снимках. Алгоритм работает не только со снимками на пустой поверхности, но и, к примеру, если на ней есть множество деревьев, а точность его работы примерно равна человеческой, рассказывают авторы препринта в bioRxiv.

Зоологи используют съемку с воздуха и спутниковые снимки для контроля за численностью популяций животных и их миграцией. Это позволяет проводить наблюдения дистанционно, а также охватывать огромные территории, затрачивая небольшие ресурсы. В большинстве случаев исследователям приходится вручную размечать животных на снимках, поэтому на это уходит много времени. Этот этап можно автоматизировать, но это технологически сложно, потому что зачастую на снимках, помимо животных, есть и другие объекты, например, кустарники, деревья или камни.

В последние годы эту задачу часто решают при помощи нейросетей, которые справляются с задачей лучше, чем аналитические алгоритмы, выделяющие объекты по пороговым значениям размера и цвета. Исследователи под руководством Ислы Дюпорж (Isla Duporge) из Оксфордского университета обучили нейросеть распознаванию слонов на спутниковых снимках высокого разрешения.

Они использовали данные со спутников WorldView-3 и −4 с разрешением 31 сантиметр на пиксель — самым высоким среди коммерческих спутников, предоставляющих данные. На снимках была запечатлена территория национального парка Эддо-Элефант в ЮАР. На этой территории есть множество низких и высоких растений, и обитает около 600 слонов. Зачастую они покрывают себя грязью для охлаждения, что делает их окраску неравномерной и усложняет обнаружение.

Авторы использовали архивные снимки за период с 2014 по 2019 годы, обработали их алгоритмом панхроматического слияния для получения большей четкости и нарезали на фрагменты 600 на 600 пикселей, совместимые по размеру с нейросетью. Они вручную аннотировали снимки и выделили на них 1125 слонов. В качестве алгоритма для обнаружения животных исследователи выбрали сверточную нейросеть Inception ResNet, предобученную на датасете различных повседневных объектов COCO (предобучение позволяет быстрее дообучить нейросеть на конкретную задачу).

Территория парка, а также примеры однородного и неоднородного ландшафтов (справа)

Исследовали проверили нейросеть, сравнив ее результаты работы с результатами 51 добровольца, которые размечали данные вручную. Они выбрали для оценки параметр F2, которая учитывает в себе часто используемые метрики, такие как полнота (сколько настоящих слонов нашел алгоритм) и точность (сколько выделенных алгоритмом объектов — слоны) результатов, но делает упор на ложноотрицательные результаты, потому что для проверяющего человека легче отсеять некорректно распознанных слонов на снимках, чем искать нераспознанных. Также авторы отдельно сравнивали результаты на снимках с однородным (степь) и разнородным (множество деревьев или кустов) ландшафтом.
Нейросеть получила результат 0,778 для разнородных областей и 0,73 для однородных, а для добровольцев результат был 0,8 и 0,776 соответственно. Авторы отмечают, что главным препятствием перед улучшением качества распознавания остается цена спутниковых снимков, которая в их случае составляла 17,5 доллара за квадратных километр для архивных снимков и 27,5 для новых.

Недавно британские ученые успешно использовали спутниковые снимки для поисков новых колоний императорских пингвинов: им удалось найти 11 новых колоний и увеличить число известных на текущий момент мест гнездования до 65.