基于深度学习的细颗粒度鸟类识别算法准确率超过92%

对鸟类群体的持续观测和保护一直是相关保护区工作的重中之重，但是由于保护区面积大、范围广，依靠传统的鸟类人工调查难以实现高效的对鸟类重要栖息地的连续监测，无法及时发现鸟类变化情况，随着AI识别技术的发展，利用其时效性强、获取快捷等优势特点，结合安装高清高变倍摄像头，可以及时识别保护区内鸟类种类及数量，创新保护区鸟类监测技术，为保护区的综合管理提供重要支撑。

创视智能科技(南京)有限公司的算法团队研发出了一种基于卷积神经网络的深度学习高精度鸟类识别算法，有效的解决了鸟类识别的问题，算法准确率超过92%。对于人类而言，很多不同种类的鸟，肉眼看起来却几乎完全相同，通过算法的实际应用证明，人工智能(AI)可用于训练计算机以识别和区分这些鸟类，这是人类无法完成的任务。

创视智能的算法团队着力研究和解决对低质量图像的识别率不高的难题，通过基于FP32高浮点高精度算法、饱和预处理等新技术新算子的使用，提升针对低质量监测图像的识别准确率;同时优化和完善了基于低样本下的鸟类识别算法，目前深度学习技术大都是基于大的样本库来完成的，但是部分珍稀鸟类监测图像较少，创视智能形成了一种在少量样本的情况下，实现高精度的自动识别算法，对野生动物识别的广泛应用有着重要意义。

算法团队通过对不断积累的数百万张样本的筛选标注，并对样本进行随机裁剪、遮挡、变形等预处理，分割出超千万级的样本素材进行训练，从而在算法的鲁棒性上有了进一步的提高。

基于多尺度卷积神经网络架构搭建的深度学习算法模型可以对微小的野生动物进行精确的识别，同时基于华为昇腾310算力芯片的联合开发，已经可以部署在他们集群环境和边缘盒式产品中，使得识别速度高且算力性价比高。

在生态学中，这些方法先前已用于识别物种级别的动物以及个体灵长类动物，猪和大象。但是，到目前为止，还没有在鸟类之类的较小动物中进行过探索。只要模型中以前知道这些鸟类，该模型就可以从新图像中识别鸟类。

该鸟类识别算法已成功推广运用到北京、江苏、深圳等保护区或湿地公园中，极大提升了科研效率，推动了人工智能在生物多样性观测及珍稀动物保护领域的落地。

(新媒体责编：pl0901)