นักวิจัยจากมหาวิทยาลัยฮาร์วาร์ด (Harvard University) ร่วมกับผู้เข้าร่วมวิจัยจากสถาบันการศึกษาต่างๆ ได้ร่วมกันพัฒนาวิธีการ deep learning ที่มีชื่อว่า DeepLabCut ซึ่งสามารถที่จะติดตามและติดป้าย (label) ส่วนของร่างกายของสิ่งมีชีวิตที่เคลื่อนที่ได้ด้วยความถูกต้องเทียบเท่ากับมนุษย์ได้อัตโนมัติ
“การถ่ายวีดีโอแบบธรรมดา (Videography) นั้นเป็นวิธีการที่ง่ายต่อการสังเกตการณ์และบันทึกพฤติกรรมของสัตว์ในสถานที่ติดตั้งที่หลากหลาย หากแต่การแกะข้อมูลลักษณะเฉพาะของพฤติกรรมเพื่อวิเคราะห์เพิ่มเติมนั้นอาจต้องใช้เวลาในการดำเนินการอย่างมาก” นักวิจัยกล่าวในงานตีพิมพ์ “พวกเรานำเสนอวิธีการที่มีประสิทธิภาพสำหรับการประมาณการณ์การท่าทาง (pose) โดยไม่มีการติดเครื่องหมายโดยอิงจากวิธีการ transfer learning ด้วยโครงข่ายประสาทเทียม deep neural network ที่สามารถดำเนินการให้ผลลัพธ์ได้ยอดเยี่ยมโดยใช้ข้อมูลการเทรนจำนวนน้อย” ทีมอธิบาย
ทีมงานวิจัยได้เทรนโครงข่ายประสาทเทียมบนเฟรมเวิร์ก TensorFlow เพื่อที่จะดำเนินการประมาณท่าทางและตรวจจับส่วนของร่างกายบนข้อมูลภาพหลายร้อยภาพจากข้อมูล dataset ImageNet
“พวกเราจำลองให้เห็นถึงความสามารถอันยอดเยี่ยมของเฟรมเวิร์กนี้โดยการติดตามส่วนของร่างกายที่หลากหลายในหลายๆ สายพันธุ์ (species) และพฤติกรรมที่แตกต่างกันไป ซึ่งแม้ว่าข้อมูลจำนวนภาพที่มีการติดป้ายนั้นมีประมาณเพียง 200 เฟรม หากแต่อัลกอริทึมนั้นก็สามารถให้ผลลัพธ์ประสิทธิภาพในการติดตามได้อย่างยอดเยี่ยมบนเฟรมภาพข้อมูลทดสอบซึ่งเปรียบได้กับความแม่นยำระดับมนุษย์” ทีมงานกล่าว
โดยระบบได้ทดสอบกับหนูและแมลงหวี่ อย่างไรก็ดี เฟรมเวิร์กนี้ไม่ได้มีข้อจำกัดแต่อย่างใดและสามารถนำเอาเครื่องมือนี้ไปประยุกต์ใช้กับสิ่งมีชีวิตอื่นๆ ได้อีก นักวิจัยกล่าว
การติดตามสัตว์โดยวิธีจับภาพเคลื่อนไหว (motion capture) นั้นสามารถทำให้เห็นข้อมูลใหม่เกี่ยวกับ biomechanics เช่นเดียวกันกับการได้แอบดูว่าสมองของพวกมันทำงานอย่างไร โดยในมนุษย์นั้นการจับภาพเคลื่อนไหวและติดตามนั้นสามารถช่วยเหลือได้ในการทำกายภาพบำบัดและช่วยให้นักกีฬาสามารถทำลายสถิติต่างๆ ที่คาดไม่ถึงได้ในอดีต
“โซลูชันนี้ไม่ได้ต้องการใช้โมเดลของการประมวลผลส่วนร่างกาย การติดรูป ข้อมูลเวลา หรือวิธีการ inference ที่ซับซ้อน” ทีมวิจัยกล่าว “ดังนั้นมันสามารถที่จะนำเอาไปประยุกต์ใช้ได้อย่างรวดเร็วกับพฤติกรรมต่างๆ ที่แตกต่างกันอย่างสิ้นเชิง ที่การวางท่าทางนั้นมีความท้าทายที่แตกต่างกันอย่างชัดเจนในงานด้าน computer vision อย่างเช่น การเอื้อมหยิบ กับการวางไข่ของแมลงหวี่”
โดย case study หนึ่งแสดงให้เห็นโครงการนี้นำไปพัฒนากับส่วนของม้า
โค้ดของโครงการนี้สามารถดาวน์โหลดได้จาก GitHub และงานตีพิมพ์นั้นอยู่ที่ Nature
Source : https://news.developer.nvidia.com/ai-enables-markerless-animal-tracking/
