Kurz und Knapp
- Vogelarten mit Hilfe von KI erkennen - das ermöglicht jetzt ein Algorithmus zur fein-granularen Objekterkennung der Friedrich-Schiller-Universität Jena.
- Das System lernt die verschiedenen Arten nicht einfach nur auswendig. Vielmehr hat es durch kontinuierliches Training verstanden, wie die einzelnen Vögel aussehen.
- Der internationale Datensatz mit 200 unterschiedlichen Vogelarten dient dabei als Trainingsplattform. Der Algorithmus ist jedoch flexibel anwendbar.
Deep-Learning System hat durch Training verstanden wie Vögel aussehen
Für Künstliche Intelligenz (KI) ist es eine große Herausforderung Objekte zu bestimmen, die sich in nur wenigen Details unterscheiden. Computersysteme mit dieser Fähigkeit können für Menschen sehr hilfreich sein. Sie erleichtern beispielsweise die Arbeit im Bereich der Biologie, indem sie verschiedene Arten einer Klasse in der Tier- und Pflanzenwelt automatisch identifizieren.
Hierfür haben Informatikerinnen und Informatiker der Universität Jena mit Unterstützung der Deutschen Forschungsgemeinschaft (DFG) einen Algorithmus zur fein-granularen Objekterkennung entwickelt. Als Trainingsplattform dafür wählten sie einen internationalen Datensatz mit 200 nordamerikanischen Vogelarten. „Grundsätzlich benötigen wir für diese Grundlagenforschung einfach eine hohe Anzahl an geeigneten Fotos, um den Algorithmus zu trainieren – denn er lernt selbst“, erklärt Joachim Denzler von der Universität Jena die Wahl der Vogeldatenbank. Denzler hatte das Projekt gemeinsam mit seinen Kollegen Eric Rodner und Marcel Simon begonnen. „Unser Modell ist dann aber sehr flexibel einsetzbar – es kann zum Beispiel, wenn es entsprechend ausgerichtet wurde, auch verschiedene Automarken anhand des Designs erkennen.“
Das Modell konzentriert sich bei der Identifikation zunächst auf einzelne Bereiche. „Dazu teilt es einen Vogel in Kopf, Flügel und Füße ein und modelliert daraus ein Gesamtbild“, erklärt Dimitri Korsch von der Universität Jena, der aktuell mit seinem Kollegen Christoph Theiß an dem Projekt arbeitet. „Um das fehlerfrei zu lernen, muss es immer wieder mit neuen Bildern gefüttert werden, bei denen Vögel unterschiedlicher Größe und in unterschiedlicher Position abgebildet sind. Hat das System verstanden, wie ein Vogel aussieht, geht es an die Feinabstimmung.“
Um die Art zweifelsfrei identifizieren zu können, müssen Zusatzinformationen extrahiert werden, wie zum Beispiel eine auffällige Musterung des Gefieders. „Die Maschine versucht dann, die Teile des Vogels zu detektieren, die für seine Klassifizierung relevant sind“, ergänzt Denzler, „auch hierfür benötigt sie ein langes Training durch viele verschiedene Abbildungen der entsprechenden Arten“. Im Gegensatz zu anderen Systemen dieser Art, lernt der Algorithmus nicht einfach nur auswendig. Durch das kontinuierliche Training und den damit verbundenen Lerneffekt hat das System ‚verstanden‘, wie es die Vögel unterscheiden kann („deep learning“). Die Erkennungsrate liegt bei rund 90 Prozent.
Eine weitere Stärke: „Unsere KI ist sehr transparent. Wir können jederzeit beobachten, wie sie ihre Entscheidungen trifft und dabei nachvollziehen, wo Fehlerquellen sitzen.“ Das sei besonders wichtig bei Einsätzen in der Medizin, wie etwa der Tumorbestimmung.
17.09.2019
in Kooperation mit dem
