研究团队训练AI以更好地检测小物体

人工智能(AI)擅长识别图像中的一只鸟。它的不足之处在于它试图在航拍照片中识别数百只小鸟。尚毅教授和他的研究团队已经工作了三年，以了解人工智能在处理小物体时可以在哪些方面改善其视力。

“由于深度学习，计算机视觉近年来取得了重大突破，”同时兼任电气工程与计算机科学系研究生部主任的尚说。“人脸识别被认为已解决——计算机比人类更能识别人脸。但如果是人群中的小脸，或者图像中的小物体，低分辨率和缺乏物体细节会使识别变得更加困难。”

尚毅教授和团队正在开发一种深度学习系统，可以更好地识别图像中的水禽等小物体。图片来源：密苏里大学

具体来说，尚的实验室正在开发几种深度学习方法，可以更好地从无人机拍摄的航拍图像中识别鸟类和入侵物种区域。去年，他获得了密苏里州保护部(MDC)的资助，用于开发一个系统，使用无人机和深度学习来自动计算水禽种群数量和调查入侵物种。

为此，学生们手动识别和标记图像中的每只鸟，以训练AI即使在鸟类被部分隐藏的情况下也要寻找什么。用数百只鸟标记一张图像需要几个小时，但这项工作对于提高深度学习模型检测小物体的能力是必要的。

目标是减少将来进行手动计数的需要。

计算机科学和信息技术专业实践助理教授尼克拉斯·韦格勒斯说：“对于容易看到的鸟类，我们可以自信地计算它们，但总会有一些我们不自信。”“所以可能总是需要一些人为干预来仔细检查。但这仍然可以为他们节省大量工作，即使它不是100%完美。”

该研究团队还与MDC合作开发一种可以识别入侵植物的系统，例如芦苇金丝雀草。这将是一个更困难的项目：研究人员必须确定这些与其他类型植物一起生长的入侵物种。一种解决方案是在早春或秋季收集图像，希望芦苇金丝雀草在本季较晚变绿或变黄。

尚还计划使用多光谱相机，它可能会揭示不同物种之间的一些有用的光特征，以更好地区分它们。

“在接受示例训练之前，计算机不会知道目标，”尚说。“人类可能无法根据可见光检测到差异。多光谱相机可能会提供人眼看不到的信息。”

尚、Wergeles和应届博士生YangLi和PengSun最近试验了现有最先进的小物体检测深度学习方法，以使用水禽图像和其他公共基准数据集测试它们的性能。他们概述了每种方法的挑战，并在发表在国际期刊专家系统和应用上的调查论文中确定了可能的解决方案。

“当你使用现有的机器学习模型时，它们通常开箱即用，性能不佳，”尚说。“有许多参数需要微调才能达到良好的效果。例如，识别鸟类与识别面孔不同，因此您必须调整和重新训练模型。”

标签：