Kogud

Masinõpe aitab kodanikest teadlasi

Masinõpe aitab kodanikest teadlasi

Masinõpe võiks aidata täita teadlastele tavaliselt antud uurimisülesandeid. Uus uuring näitab, kuidas arvutispetsiifiliste pildituvastamisoskuste õpetamist saab kasutada projektides, mis nõuavad suures koguses pildiandmete klassifitseerimist.

VAATA KA: GOOGLE FLIGHTS KASUTAB MASINAT ÕPPIMISEKS, ET ENNUSTADA LENNUHILINKE ENNE AIRLINI

Aastaid on teadlased ära kasutanud vabatahtlikke, kes aitavad neil sorteerida massilisi andmekogumeid, mis on väikeste uurimisrühmade jaoks liiga suured. Varem pidid selle töö tegema inimesed, sest masina tegemiseks seda tehnoloogiat polnud.

Teadlased tegid koostööd ökoloogidega

Kuid see kõik muutub. Masinaõppe idee testimiseks tegid teadlased koostööd ökoloogidega, kes uurivad metsloomade kasutamist kaamerapüünistega. Need lõksud on peidetud kaamerad, mille käivitavad liikumis- ja infrapunaandurid, mis pakuvad ökoloogidele pilte nende konkreetsetes uuringutes kasutamiseks.

Kõik saadud pildid tuleb siiski üle vaadata ja klassifitseerida, et need saaksid analüüsimiseks kasulikke andmeid pakkuda. Sageli antakse see ülesanne koolitatud vabatahtlikele, kes suudavad ülesande vajaliku aja jooksul täita. Kuid uus uuring asendab vabatahtlikud arvutitega.

Kodanikuteadlased on alati väärtuslikud

"Varem palusid teadlased kodanikuteadlastel aidata neil pilte töödelda ja klassifitseerida mõistliku aja jooksul," ütles uuringu juhtiv autor Marco Willi, hiljuti lõpetanud Minnesota ülikooli andmeteaduse magistriprogrammi ja uurija. Ülikooli füüsika- ja astronoomiakool.

"Nüüd on mõned neist hiljutistest kaameralõksuprojektidest kogunud miljoneid pilte. Isegi kodanikuteadlaste abiga võib kõigi piltide klassifitseerimine võtta aastaid. See uus uuring on tõestus kontseptsioonist, et masinõppevõtted võivad oluliselt aidata lühendada klassifitseerimise aega. "

Oma teooria katsetamiseks, et masinõppevõtted võiksid sellisel juhul olla väärtuslikud, kogusid teadlased kolm Aafrikast pärit pildiandmekogumit - Snapshot Serengeti, Camera catalog ja Elephant Expedition - ning ühe Snapshot Wisconsini andmestiku Põhja-Ameerikasse kogutud piltidega.

Arvuti hakkab õppima piirjoonte ja värvidega

Igas andmekogumis oli üheksa kuni viiskümmend viis liiki. Andmekogumid varieerusid ka iga liigi pildistamise, kaamera paigutuse, kaamera konfiguratsiooni ja liigi levialas. Seejärel õpetati arvutile, kuidas pilte klassifitseerida, näidates neile pilte inimeste poolt juba klassifitseeritud andmestikust. Näiteks näidatakse masinal tüügassõja täielikke ja osalisi pilte. Seejärel hakkaks arvuti piltidel ära tundma tüügaste servad ja värvid, enne kui oleks võimalik seda õigesti klassifitseerida.

Samuti sai arvuti teada, millal tuleb tuvastada fotosid ilma loomadeta, mis juhtub siis, kui tuul kaamera käivitab. Nende "tühjade" fotode kiire kõrvaldamine võib oluliselt klassifitseerimise üldist pingutust kiirendada.

Klassifitseerimisprojektid kiirenesid oluliselt

"Meie masinõppevõtted võimaldavad ökoloogiauurijatel kiirendada piltide klassifitseerimise protsessi ja sillutada teed tulevikus veelgi suurematele kodanike teadusprojektidele," ütles Willi. "Selle asemel, et iga pilti peaks klassifitseerima mitu vabatahtlikku, võiks üks või kaks vabatahtlikku kinnitada arvuti klassifikatsiooni."

Kui see masinõppevõtete võimekuse test piltide klassifitseerimisel keskendus kaamerapüüniste loomapiltidele, siis teadlaste sõnul võiks samu ideid rakendada ka teistes teadusvaldkondades, mis tegelevad kodanikuteadlastega, näiteks kosmos ja bioloogia.

"Andmed paljudes teadusvaldkondades kasvavad palju kiiremini kui kodanike teadusprojektide vabatahtlike arv," ütles uuringu kaasautor Lucy Fortson, Minnesota ülikooli füüsika- ja astronoomiaprofessor ning Zooniverse'i, suurima kodanikuteaduse asutaja. uuringu projekte võõrustanud veebiplatvorm.

"Ehkki nendes projektides on alati vaja inimlikke jõupingutusi, võib nende jõupingutuste ühendamine suurandmete tehnikate abil aidata teadlastel veelgi rohkem andmeid töödelda ja võimaldab vabatahtlikel keskenduda raskematele ja haruldasematele klassifikatsioonidele."


Vaata videot: #3 Modifikasi Mobil Terkeren Mana yang paling barbar. toyota vios. toyota 86. honda jazz (Jaanuar 2022).