Individuelles Tierverhalten im Feld per KI beobachten
Die Langzeitbeobachtung von Tieren und ihrem Verhalten auf der Ebene einzeln bekannter Individuen ist unerlässlich, um Veränderungen über die Zeit zu untersuchen und daraus Rückschlüsse zu ziehen – beispielsweise für den Naturschutz oder die Evolutionsbiologie. Die manuelle Auswertung solcher Langzeitdaten ist jedoch sehr aufwändig und langwierig. In Anbetracht jüngster Fortschritte im maschinellen Sehen liegt es daher nahe, diese Arbeit von Künstlicher Intelligenz (KI) verrichten zu lassen. Das ist allerdings nicht so einfach, wie es klingt: Um in einer Gruppe von Tieren zuverlässig zu bestimmen, wer welches Verhalten zeigt, müssen eine ganze Reihe von Teilaufgaben aus dem Bereich des maschinellen Sehens gelöst werden. Geeignete Datensätzen, die sämtliche Teilschritte berücksichtigen, fehlten bisher.
Basierend auf einer Langzeitstudie mit wildlebenden Rabenvögeln (Art: Perisoreus infaustus) in Schwedisch-Lappland stellen Konstanzer Forschende mit CHIRP einen freien Datensatz zur Verfügung, der diese Lücke schließt und alle relevanten Teilaufgaben abdeckt. Dazu zählen Identifikation auf Individualebene, Verhaltens- und Keypoint-Detektion sowie Objekterkennung und Instanzsegmentierung. Zusätzlich entwickelte das Team eine neue Methode zur Identifizierung von Vogelindividuen, die auf der Erkennung des Farbmusters der Beinberingung der Vögel beruht (CORVID) und sich auch auf weitere wildlebende Vogelpopulationen anwenden lässt. In der Open-Access-Publikation zu CHIRP und CORVID stellt das Team außerdem einen neuen Benchmark vor, der eine Aussage zur anwendungsspezifischen Performance liefert.
Der CHIRP-Datensatz (Combining beHaviors, Individual Re-identification and Postures; doi: 10.17617/3.GVO4LG) steht im Github-Verzeichnis der Autor*innen und auf EDMOND zum freien Download bereit.
Die Begleitpublikation zum Datensatz und zur CORVID-Pipeline (COlouR-based Video re-ID) wurde open access auf der Website der Computer Vision Foundation (CVF) veröffentlicht.