Künstliche Intelligenz (KI)
Die Verwendung von KI in Kombination mit visuellen Daten zur (halb)automatischen Klassifizierung von Fotofallen-Bildern ist eine Technik, die schnell an Interesse gewinnt. Bei der KI-Klassifizierung werden neuronale Netze verwendet, d. h. mathematische Algorithmen, die ein Eingabeobjekt einer Ausgabe zuordnen. Ein Beispiel für ein relevantes Eingabeobjekt ist ein Foto, die Ausgabe ist eine Klassifizierung für dieses Foto. Die Optimierung eines dieser Algorithmen für eine Aufgabe wird als Kalibrierung bezeichnet und erfordert gelabelte Daten. Gelabelte Daten entsprechenden Eingabeobjekten, die vom endgültigen Netzwerk verwendet werden, um eine Vorhersage zu treffen. Im Kontext des Fotofallen-Monitorings bedeutet dies, eine große Sammlung beschrifteter Referenzfotos zu haben. Während der Kalibrierung werden die Algorithmen iterativ aktualisiert, um die Verlustfunktion zu minimieren. Die Verlustfunktion berechnet die Differenz zwischen der vorhergesagten Ausgabe des Netzwerks (das Tier, das das Netzwerk für am wahrscheinlichsten hält) und dem Trainingslabel (das tatsächliche Tier auf dem Foto). Dieser Prozess wird iterativ fortgesetzt, entweder für einen vordefinierten Zeitraum oder bis die gewünschte Leistung (z. B. ein Schwellenwert für die Genauigkeit der Artenklassifizierung) auf Basis von Validierungsdaten erreicht wird.
Die Stiftung KORA setzt Fotofallen ein, um die Raubtierpopulationen in der Schweiz systematisch zu überwachen. Insbesondere für Luchse und Wildkatzen, die anhand ihres einzigartigen Fellmusters identifiziert werden können wird das Fotofallen-Monitoring eingesetzt. Aufgrund ihrer Lebensweise machen diese Zielarten nur einen kleinen Prozentsatz der Aufnahmen aus. Eine große Anzahl anderer Säugetierarten wird mit den Fotofallen fotografiert, aber ihre Bilder werden nur selten verwendet. Die rasante technologische Entwicklung der Fotofallen und ihr weit verbreiteter Einsatz erzeugen nun in kurzer Zeit riesige Mengen an Fotos, was eine große Herausforderung mit sich bringt: Wie kann man aus dieser großen Menge an Rohdaten schnell und zu vertretbaren Kosten nützliche Informationen für die Erhaltung oder das Management all dieser Arten gewinnen?
Um diese Herausforderung zu meistern, wurde ein Konsortium gebildet, das eine einzigartige Gruppierung von akademischen Institutionen und nationalen Kompetenzzentren darstellt, die mit dem gleichen Problem konfrontiert sind. Dies hat zu einem aussergewöhnlich grossen und vielfältigen Datensatz geführt. Unternehmen, die Daten von Fotofallen in der Schweiz verarbeiten, wurden ebenfalls eingeladen, dem Konsortium beizutreten. Das Konsortium besteht aus Ökologen, Biologen und Wildtiermanagern mit jahrelanger Erfahrung in der Verarbeitung von Fotofallen-Daten sowie aus Experten für maschinelles Lernen und Entwicklern von IT-Lösungen. Die vorgeschlagene Lösung besteht darin, die neuesten Entwicklungen in den Methoden der KI in Verbindung mit dem einmaligen, domänenspezifischen Datensatz des Konsortiums für die Modellkalibrierung zu adaptieren.
Die Analyse der Daten aus dem Fotofallen-Monitoring umfasst vier anspruchsvolle und zeitaufwändige Aufgaben:
- Entfernung von Bildern, die menschliche Aktivitäten zeigen, eine gesetzliche Anforderung zum Schutz der Privatsphäre;
- Erkennung von leeren Bildern durch z. B. Fehlauslöser;
- die Identifizierung der abgebildeten Arten und schließlich
- Identifizierung von Individuen von natürlich markierten Arten wie Luchs und Wildkatze.
Derzeit werden diese Aufgaben von gut ausgebildeten menschlichen Spezialisten hauptsächlich manuell durchgeführt.
Dieser Ansatz wird wichtige personelle Ressourcen freisetzen, die derzeit für manuellen Aufgaben und der Verwaltung von Rohdaten aufgewendet werden. Noch wichtiger ist, dass die KI die Durchlaufzeiten reduzieren wird, um Fotofallen basierte Ansätze für die Echtzeitüberwachung und den Schutz von Wildtieren relevant zu machen.