Kolekcje

Uczenie maszynowe pomaga obywatelom naukowcom

Uczenie maszynowe pomaga obywatelom naukowcom


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Uczenie maszynowe może pomóc w wykonywaniu zadań badawczych, które zwykle są zlecane obywatelom naukowców. Nowe badanie pokazuje, w jaki sposób uczenie obsługi komputera umiejętności rozpoznawania obrazu może być wykorzystywane w projektach wymagających klasyfikacji dużych ilości danych obrazu.

ZOBACZ TAKŻE: GOOGLE FLIGHTS KORZYSTA Z UCZENIA MASZYNOWEGO, ABY PRZEWIDZIEĆ OPÓŹNIENIA LOTÓW PRZED LINIAMI LOTNICZYMI

Od lat naukowcy korzystają z pomocy ochotników, którzy pomagają im sortować ogromne zbiory danych, które są zbyt duże dla małych zespołów badawczych. Wcześniej ta praca musiała być wykonywana przez ludzi, ponieważ technologia, która mogłaby to zrobić, nie istniała.

Badacze połączyli siły z ekologami

Ale to się wkrótce zmieni. Aby przetestować koncepcję uczenia maszynowego, naukowcy współpracowali z ekologami, którzy badają dziką przyrodę za pomocą fotopułapek. Te „pułapki” to ukryte kamery, które są wyzwalane przez czujniki ruchu i podczerwieni, które dostarczają obrazy dla ekologów do wykorzystania w ich konkretnych badaniach.

Jednak wszystkie otrzymane obrazy muszą zostać przejrzane i sklasyfikowane, aby mogły dostarczyć użytecznych danych do analizy. Często zadanie to jest powierzane przeszkolonym wolontariuszom, którzy mogą je wykonać w wymaganym terminie. Jednak nowe badanie zastępuje ochotników komputerami.

Obywatel naukowcy zawsze będą cenni

„W przeszłości naukowcy prosili naukowców-obywateli o pomoc w przetwarzaniu i klasyfikowaniu obrazów w rozsądnych ramach czasowych” - powiedział główny autor badania Marco Willi, niedawny absolwent studiów magisterskich na University of Minnesota w dziedzinie data science i badacz w Wyższa Szkoła Fizyki i Astronomii.

„Teraz niektóre z tych ostatnich projektów fotopułapek zgromadziły miliony zdjęć. Nawet z pomocą naukowców-obywateli sklasyfikowanie wszystkich obrazów może zająć lata. To nowe badanie jest dowodem słuszności koncepcji, że techniki uczenia maszynowego mogą znacznie pomóc skrócić czas klasyfikacji. ”

Aby przetestować swoją teorię, że techniki uczenia maszynowego mogą być cenne w takich przypadkach, naukowcy zebrali trzy zestawy danych obrazów z Afryki - Snapshot Serengeti, katalog Camera i Elephant Expedition - oraz jeden zestaw danych z Snapshot Wisconsin ze zdjęciami zebranymi w Ameryce Północnej.

Komputer zaczyna się uczyć za pomocą konturów i kolorów

Każdy zbiór danych zawierał od dziewięciu do pięćdziesięciu pięciu gatunków. Zbiory danych różniły się również pod względem fotografowania każdego gatunku, umiejscowienia aparatu, konfiguracji aparatu i zasięgu gatunków. Następnie uczono komputera, jak klasyfikować obrazy, wyświetlając obrazy z zestawu danych już sklasyfikowanego przez ludzi. Na przykład maszyna mogłaby wyświetlać pełne i częściowe obrazy guźca. Komputer zacząłby wtedy rozpoznawać krawędzie i kolory guźców na obrazach, zanim byłby w stanie je poprawnie sklasyfikować.

Komputer nauczył się również, kiedy należy identyfikować zdjęcia bez zwierząt, co dzieje się, gdy wiatr uruchamia aparat. Możliwość szybkiego usunięcia tych „pustych” fotografii może znacznie przyspieszyć ogólną klasyfikację.

Projekty klasyfikacyjne znacznie przyspieszyły

„Nasze techniki uczenia maszynowego pozwalają naukowcom zajmującym się ekologią przyspieszyć proces klasyfikacji obrazów i utorować drogę do jeszcze większych, obywatelskich projektów naukowych w przyszłości” - powiedział Willi. „Zamiast tego, aby każdy obraz musiał być klasyfikowany przez wielu ochotników, jeden lub dwóch ochotników mogłoby potwierdzić klasyfikację komputera”.

Podczas gdy ten test możliwości technik uczenia maszynowego w klasyfikacji obrazów koncentrował się na obrazach zwierząt z fotopułapek, naukowcy twierdzą, że te same pomysły można zastosować w innych dziedzinach nauki, które angażują naukowców-obywateli, takich jak kosmos i biologia.

„Dane z wielu dziedzin nauki rosną znacznie szybciej niż liczba wolontariuszy obywatelskich projektów naukowych” - powiedziała współautorka badania Lucy Fortson, profesor fizyki i astronomii na Uniwersytecie Minnesota i współzałożycielka Zooniverse, największej nauki obywatelskiej. platforma internetowa, na której znajdowały się projekty objęte badaniem.

„Chociaż projekty te zawsze będą wymagały ludzkiego wysiłku, połączenie tych wysiłków z pomocą technik Big Data może pomóc naukowcom przetwarzać więcej danych jeszcze szybciej i pozwala wolontariuszom skupić się na trudniejszych, rzadszych klasyfikacjach”.


Obejrzyj wideo: MPP#025 Prosty język to przyszłość prawników - Tomasz Piekot (Może 2022).