طبقه‌بندی سریع تصاویر در پروژه‌های تحقیقاتی

یادگیری ماشینی می‌تواند به‌سرعت بخشیدن طبقه‌بندی تصاویر ویژه در پروژه‌های تحقیقاتی کمک کند. در ضمن یادگیری ماشینی به تکمیل کارهای تحقیقاتی که معمولاً به شهروند – دانشمندان (citizen scientist)  و محققان غیرحرفه‌ای و آماتور سپرده می‌شود، کمک می‌کند.  

داده‌ها در طیف وسیعی از زمینه‌های علمی، بسیار سریع‌تر از تعداد داوطلبان پروژه علم شهروندی رشد می‌کنند درحالی‌که همیشه نیاز به تلاش انسان در این پروژه‌ها وجود دارد. درواقع ترکیبی از همکاری انسانی و تکنیک های بزرگ جدید می‌تواند به پردازش داده‌های محققان سرعت بخشیده و کار را برای محققان و پژوهشگران آسان‌تر می‌سازد.

نتایج یک تحقیق جدید نشان می‌دهد که چگونه آموزش مهارت‌های تشخیص تصاویر خاص کامپیوتری را می‌توان در پروژه‌هایی که نیاز به طبقه‌بندی مقادیر زیاد داده‌های تصویری دارد، استفاده کرد.

در آزمایش یادگیری ماشینی، محققان می‌توانند به محیط‌زیست کمک کرده و با پژوهشگران این حیطه همکاری کنند. این محققان قادرند به بوم‌شناسانی که برای مطالعات زندگی جانوران از دوربین‌های مخفی و تصاویر آن استفاده می‌کنند، کمک کرده و با آن‌ها همکاری داشته باشند.

این دوربین‌های مخفی که مانند تله در محیط‌زیست جانوران قرار داده می‌شود، توسط حرکت و سنسورهای مادون‌قرمز، تصاویری از زندگی در حیات‌وحش را در اختیار محققان قرار می‌دهند تا آن‌ها بتوانند از آن تصاویر در تحقیقات خود استفاده کنند. با این حال، تمام تصاویر به‌دست‌آمده از این دوربین‌ها، باید بازبینی و دسته‌بندی شوند تا بتوانند اطلاعات مفیدی برای تجزیه‌وتحلیل را در اختیار محققان قرار دهند. اغلب این وظیفه به داوطلبان آموزشی داده می‌شود تا در زمان موردنیاز آماده شوند؛ اما تحقیقات جدید این داوطلبان آموزشی را با یادگیری ماشینی جایگزین می‌کند.

مارکو ویلی (Marco Willi) فارغ‌التحصیل دوره کارشناسی ارشد درزمینهٔ علوم داده‌ها و محقق دانشکده فیزیک و نجوم دانشگاه مینه سوتا (Minnesota) و از محققان این پروژه تحقیقاتی در این رابطه گفت: «در گذشته، محققان از شهروند – دانشمندان می خواستند تا به آن‌ها در پردازش و طبقه‌بندی تصاویر در یک‌زمان معقول و منطقی کمک کنند. در حال حاضر برخی از پروژه‌های تحقیقاتی اخیر که از دوربین‌های مخفی استفاده کرده‌اند، میلیون‌ها عکس را جمع‌آوری کرده که نیاز به طبقه‌بندی آن‌ها وجود دارد. شهروند – دانشمندان می‌توانند در این زمینه کمک کنند. بر اساس تحقیقات جدید، تکنیک های یادگیری ماشینی می‌تواند به‌طور قابل‌توجهی زمان‌بندی طبقه‌بندی تصاویر را کاهش دهد.»

دانشمندان برای آزمایش ایده استفاده از تکنیک های یادگیری ماشینی از سه مجموعه داده از دوربین‌های مخفی قرار داده‌شده در آفریقا و یک مجموعه داده از ویسکانسین (Wisconsin) ایالات‌متحده امریکا تصاویر جمع‌آوری‌شده در آمریکای شمالی را که هر مجموعه داده بین 9 تا 55 گونه بودند، استفاده کردند. قابل‌توجه است که این مجموعه داده‌ها در نحوه عکس‌برداری هرگونه، قرار دادن دوربین، پیکربندی دوربین و پوشش گونه‌ها متنوع و گوناگون بوده‌اند.

در این مرحله، نحوه طبقه‌بندی تصاویر با نمایش تصاویر از یک مجموعه داده‌ای که قبلاً توسط افراد طبقه‌بندی‌شده‌اند، در کامپیوتر مشخص شد. برای نمونه دستگاه، تصاویر کامل و جزئی از گونه‌ای گراز به نام گراز زگیل دار را نشان می‌دهد. سپس کامپیوتر قبل از اینکه تصاویر طبقه‌بندی شوند، شروع به تشخیص مشخصات و رنگ‌های تصویر گراز زگیل دار می‌کند و بر اساس آن به طبقه‌بندی تصاویر کمک می‌کند. علاوه بر آن برای کامپیوتر مشخص‌شده است، تصاویری که در آن‌ها جانوری وجود ندارد، حذف‌شده که این عمل به‌سرعت طبقه‌بندی تصاویر کمک بسیار زیادی می‌کند.

مارکو ویلی در این رابطه گفت: «تکنیک های یادگیری ماشینی ما به محققان بوم‌شناسی کمک می‌کند تا سرعت پروسه طبقه‌بندی تصاویر را افزایش دهند و این مسئله باعث می‌شود تا پروژه‌های علمی بزرگ‌تر برای دانشمندان فراهم شود.»

به اعتقاد محققان، با اینکه آزمایش تکنیک های یادگیری ماشینی برای طبقه‌بندی تصاویر جانوران گرفته‌شده توسط دوربین‌های مخفی در بوم‌شناسی، انجام‌شده اما این ایده تکنیک های یادگیری ماشینی می‌تواند درزمینهٔ علمی دیگر مانند فضا و زیست‌شناسی نیز مورداستفاده قرار گیرد.

لوسی فرتسون (Lucy Fortson) یکی از استادان فیزیک و نجوم دانشگاه مینه سوتا و از بنیان‌گذاران وب‌سایت علم شهروندی با نام Zooniverse که بزرگ‌ترین وب‌سایت علم شهروندی بوده و پلت فرم آنلاین آن میزبان پروژه‌های مطالعاتی است، اعلام کرد: «داده‌ها در طیف وسیعی از زمینه‌های علمی، بسیار سریع‌تر از تعداد داوطلبان پروژه علم شهروندی رشد می‌کنند درحالی‌که همیشه نیاز به تلاش انسان در این پروژه‌ها وجود دارد. درواقع ترکیبی از همکاری انسانی و تکنیک های بزرگ جدید می‌تواند به پردازش داده‌های محققان سرعت بخشیده و کار را برای محققان و پژوهشگران آسان‌تر می‌سازد.»

ترجمه: فاطمه کردی

منبع: interestingengineering

No tags for this post.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا