Команда из EPFL и Университета Аляски описала систему PoseSwin в журнале Current Biology. Задача выглядит простой только на словах. Компьютерный анализ уверенно работает там, где есть устойчивые узоры (полосы, пятна).
ИИ научился узнавать бурых медведей по фото на Аляске
Ученые научили ИИ узнавать конкретных бурых медведей на Аляске по обычным фотографиям. Система работала даже когда животные за сезон заметно менялись: выходили из спячки худыми и лохматыми, потом быстро набирали вес на лососе и линяли. Для полевой биологии это редкий прорыв: можно отслеживать «кто есть кто» без отлова и меток.
B. Rosenberg
Однако бурые медведи «однотонные», а разница между особями часто прячется в мелочах и еще и меняется вместе с телом.
ИИ научился узнавать медведей на Аляске
- Полевые эксперты годами учатся распознавать отдельных медведей по деталям, но даже человеку мешают сезонные «переключения» внешности.
- После зимы зверь худее, потом толстеет, шерсть меняется — и привычные ориентиры расплываются.
- Поэтому ученые решили искать то, что остается стабильнее всего.
Ключом стала голова и поза.
Материал для обучения — редкая база, собранная в McNeil River State Game Sanctuary, где летом концентрируется крупная сезонная группа бурых медведей, а наблюдения людей жестко регулируются.
- Исследовательница Бет Розенберг за 2017–2022 годы сняла более 72 тысяч фото 109 животных: в разном свете, дожде, в движении, спереди и в профиль — так, чтобы ИИ видел медведя «как в жизни», а не в идеальных позах.
Сама модель PoseSwin фокусируется на 4 признаках, которые меняются меньше, чем тело: форме морды, угле надбровья и посадке ушей, плюс учитывает ракурс и стойку.
- Это важно: камера редко ловит «паспортное фото» зверя, а позо-ориентированный подход позволяет использовать даже сложные кадры.
По словам Александра Матиса, такая комбинация оказалась надежнее моделей, которые пытались узнавать медведей по корпусу.
Дальше метод проверили в реальности: загрузили фотографии туристов из Katmai National Park and Preserve и увидели, что алгоритм способен узнавать знакомых медведей и отмечать тех, кого раньше «не видел».
Это означает практический сценарий: автоматом разбирать тысячи снимков, строить карту сезонных перемещений и точнее понимать, как популяция использует территорию.
Команда также открыла код и данные, чтобы подход можно было адаптировать к другим видам, где «узоров» тоже нет