JIM BEASLEY
MADRID, 28 Nov. (EUROPA PRESS) -
Una red neuronal profunda ha sido adiestrada para clasificar las especies de vida silvestre utilizando 3,37 millones de imágenes de cámaras de captura de 27 especies de animales.
Luego, el modelo se probó en casi 375.000 imágenes de animales a una velocidad de aproximadamente 2.000 imágenes por minuto en una computadora portátil, logrando una precisión del 97,6 por ciento, probablemente la más alta hasta la fecha en el uso del aprendizaje automático para la clasificación de imágenes de vida silvestre.
Este avance en inteligencia artificial (IA), publicado en la revista científica Methods in Ecology and Evolution, se describe como un avance significativo en el estudio y la conservación de la vida silvestre.
El modelo de computadora, desarrollado en la Universidad de Wyoming, ahora está disponible en un paquete de software para el Programa R, un lenguaje de programación ampliamente utilizado y un entorno de software libre para la computación estadística.
"La capacidad de identificar rápidamente millones de imágenes de cámaras trampa puede cambiar fundamentalmente la forma en que los ecólogos diseñan e implementan estudios de la vida silvestre", dice el estudio, cuyos autores principales son los graduados del Departamento de Zoología y Fisiología de la Universidad de Wyoming, Michael Tabak y Ryan Miller, ambos del Centro de Epidemiología y Salud Animal del Departamento de Agricultura de Estados Unidos.
El estudio se basa en la investigación de de la Universidad de Wyoming publicada a principios de este año en la revusra PNAS en la que un modelo de computadora analizó 3,2 millones de imágenes capturadas por cámaras fotográficas en África por un proyecto de ciencia ciudadana llamado Snapshot Serengeti. La técnica de inteligencia artificial clasificó a una tasa de precisión del 96.6 por ciento, lo mismo que lograron los equipos de voluntarios humanos, pero a un ritmo mucho más rápido que el de las personas.
En el último estudio, los investigadores entrenaron una red neuronal profunda en Mount Moran, el grupo de computadoras de alto rendimiento de la Universidad de Wyoming, para clasificar especies silvestres utilizando 3,37 millones de imágenes de cámaras de 27 especies de animales obtenidas de cinco estados de Estados Unidos.
Luego, el modelo se probó en casi 375.000 imágenes de animales a una velocidad de aproximadamente 2.000 imágenes por minuto en una computadora portátil, logrando una precisión del 97,6 por ciento, probablemente la más alta hasta la fecha en el uso del aprendizaje automático para la clasificación de imágenes de vida silvestre.
El modelo de computadora también se probó en un subconjunto independiente de 5.900 imágenes de alces, ganado bovino, alces y cerdos salvajes de Canadá, lo que produjo un índice de precisión del 81,8 por ciento. Y fue preciso al 94 por ciento eliminando imágenes "vacías" (sin ningún animal) de un conjunto de fotografías de Tanzania.
