Tendencias Científicas
Hacer un seguimiento de especies animales amenazadas o en peligro de extinción puede resultar una tarea engorrosa y lenta.
Los conservacionistas etiquetan a los animales en su hábitat natural para facilitar el monitoreo, aunque se trata de una técnica intrusiva para muchas especies e incluso difícil de conseguir en poblaciones más grandes.
Otra opción es fotografiar a los animales en su entorno y catalogar las imágenes junto con información adicional como las dimensiones o su localización geográfica. El problema en este caso surge ante la acumulación de imágenes, ya que elegir ejemplares concretos entre miles de fotos puede ser harto complicado.
Sin embargo, un equipo de investigadores del Instituto Tecnológico de Massachussets (MIT) en Estados Unidos parece haber dado con la solución, o al menos con un sistema que facilita el trabajo. En un comunicado de la universidad, Sai Ravela, científico principal del Departamento de Tierra y Ciencias Atmosféricas y Planetarias del MIT, estima que seleccionar manualmente de entre un catálogo de 10.000 imágenes puede llevar a una persona 15 años. “Demasiado tiempo”, según el profesor.
Su propuesta permitiría automatizar la mayor parte del proceso mediante un software, que han llamado SLOOP, que filtra las fotografías. Utilizando algoritmos de reconocimiento de patrones, el sistema analiza las características de cada imagen, por ejemplo si un animal tiene rayas o manchas. De esta forma es capaz de identificar un promedio de las 20 coincidencias más probables por espécimen.
A partir de ahí, los investigadores recurren al crowdsourcing, pidiendo a usuarios online que emparejen los animales más similares. Basándose en esa información el sistema reordena la lista, reduciendo aún más el número de imágenes que puede representar al mismo ejemplar.
“Es algo así como Google, en el que se escribe un término de búsqueda y el sistema devuelve todos los resultados posibles, pero en última instancia es el usuario quien elige la mejor opción”, explica Ravela. De la misma manera, SLOOP facilita a los biólogos la tarea de visualizar todo un catálogo.
De momento, el software se está probando con familias de animales en peligro y amenazadas, como los tiburones ballena y ciertas especies de gecos y escíncidos. El grupo presentará las conclusiones del estudio, financiado por la National Science Foundation de EEUU, en la Conferencia de Reconocimiento de Patrones que se celebra en México en junio.
Los conservacionistas etiquetan a los animales en su hábitat natural para facilitar el monitoreo, aunque se trata de una técnica intrusiva para muchas especies e incluso difícil de conseguir en poblaciones más grandes.
Otra opción es fotografiar a los animales en su entorno y catalogar las imágenes junto con información adicional como las dimensiones o su localización geográfica. El problema en este caso surge ante la acumulación de imágenes, ya que elegir ejemplares concretos entre miles de fotos puede ser harto complicado.
Sin embargo, un equipo de investigadores del Instituto Tecnológico de Massachussets (MIT) en Estados Unidos parece haber dado con la solución, o al menos con un sistema que facilita el trabajo. En un comunicado de la universidad, Sai Ravela, científico principal del Departamento de Tierra y Ciencias Atmosféricas y Planetarias del MIT, estima que seleccionar manualmente de entre un catálogo de 10.000 imágenes puede llevar a una persona 15 años. “Demasiado tiempo”, según el profesor.
Su propuesta permitiría automatizar la mayor parte del proceso mediante un software, que han llamado SLOOP, que filtra las fotografías. Utilizando algoritmos de reconocimiento de patrones, el sistema analiza las características de cada imagen, por ejemplo si un animal tiene rayas o manchas. De esta forma es capaz de identificar un promedio de las 20 coincidencias más probables por espécimen.
A partir de ahí, los investigadores recurren al crowdsourcing, pidiendo a usuarios online que emparejen los animales más similares. Basándose en esa información el sistema reordena la lista, reduciendo aún más el número de imágenes que puede representar al mismo ejemplar.
“Es algo así como Google, en el que se escribe un término de búsqueda y el sistema devuelve todos los resultados posibles, pero en última instancia es el usuario quien elige la mejor opción”, explica Ravela. De la misma manera, SLOOP facilita a los biólogos la tarea de visualizar todo un catálogo.
De momento, el software se está probando con familias de animales en peligro y amenazadas, como los tiburones ballena y ciertas especies de gecos y escíncidos. El grupo presentará las conclusiones del estudio, financiado por la National Science Foundation de EEUU, en la Conferencia de Reconocimiento de Patrones que se celebra en México en junio.
Interfaz de SLOOP. Fuente: MIT
Más allá del reconocimiento facial
En los últimos años, el desarrollo de algoritmos de reconocimiento de patrones se ha enfocado mayoritariamente al reconocimiento facial, agrupando individuos según rasgos como los ojos, la nariz y la boca. Pero según Ravela estos sistemas no son lo suficientemente sofisticados para analizar la enorme complejidad del patrón animal. “Distinguir un ejemplar de salamandra Bob de una Jill es difícil”, asegura el científico.
Para ello su equipo ha desarrollado algoritmos que se ajustan a los cambios en la iluminación, orientación y geometría de un animal, y otros que superponen imágenes, comparando la posición de las manchas o rayas. Los investigadores utilizan también combinaciones de algoritmos para agrupar imágenes, dependiendo de las características particulares de cada especie.
Aunque pueda resultar complejo, el software es sencillo de utilizar. El usuario puede cargar una imagen junto con información complementaria como el peso, tamaño y ubicación del ejemplar. Dependiendo del tipo de animal catalogado se realizan algunos pasos adicionales sencillos, como puede ser marcar puntos de referencia tales como ojos, nariz o cola. Entonces los algoritmos ajustan la imagen y la clasifican en función de sus similitudes con el resto de imágenes de la base de datos.
La herramienta se está utilizando actualmente en el Departamento de Conservación de Nueva Zelanda para realizar el seguimiento de poblaciones amenazadas de escíncidos -lagartijas que, gracias a un programa de recuperación, se han multiplicado en los últimos años. Sin embargo, aunque es una buena señal, este crecimiento dificulta la labor de los biólogos, problema que SLOOP está ayudando a resolver.
“Habíamos llegado al punto de que las dos terceras partes de nuestro esfuerzo de monitoreo se gastaban frente a la pantalla del ordenador, y sólo un tercio observando a los lagartos directamente en el campo”, explica Andy Hutcheon, director del programa de recuperación. Mediante este sistema, su equipo ha clasificado rápidamente ejemplares de entre las más de 26.000 imágenes existentes.
Al mismo tiempo, el software puede ayudar a los científicos a responder preguntas generales sobre el comportamiento animal, relacionadas con los hábitos de cría o los patrones de migración. Se trata de una aportación valiosa en Nueva Zelanda, donde muchas especies nativas carecen de información detallada. “Esta aplicación nos puede ayudar a entender sus números y su historia, contribuyendo así a mejorar su conservación”, reconoce Hutcheon.
En los últimos años, el desarrollo de algoritmos de reconocimiento de patrones se ha enfocado mayoritariamente al reconocimiento facial, agrupando individuos según rasgos como los ojos, la nariz y la boca. Pero según Ravela estos sistemas no son lo suficientemente sofisticados para analizar la enorme complejidad del patrón animal. “Distinguir un ejemplar de salamandra Bob de una Jill es difícil”, asegura el científico.
Para ello su equipo ha desarrollado algoritmos que se ajustan a los cambios en la iluminación, orientación y geometría de un animal, y otros que superponen imágenes, comparando la posición de las manchas o rayas. Los investigadores utilizan también combinaciones de algoritmos para agrupar imágenes, dependiendo de las características particulares de cada especie.
Aunque pueda resultar complejo, el software es sencillo de utilizar. El usuario puede cargar una imagen junto con información complementaria como el peso, tamaño y ubicación del ejemplar. Dependiendo del tipo de animal catalogado se realizan algunos pasos adicionales sencillos, como puede ser marcar puntos de referencia tales como ojos, nariz o cola. Entonces los algoritmos ajustan la imagen y la clasifican en función de sus similitudes con el resto de imágenes de la base de datos.
La herramienta se está utilizando actualmente en el Departamento de Conservación de Nueva Zelanda para realizar el seguimiento de poblaciones amenazadas de escíncidos -lagartijas que, gracias a un programa de recuperación, se han multiplicado en los últimos años. Sin embargo, aunque es una buena señal, este crecimiento dificulta la labor de los biólogos, problema que SLOOP está ayudando a resolver.
“Habíamos llegado al punto de que las dos terceras partes de nuestro esfuerzo de monitoreo se gastaban frente a la pantalla del ordenador, y sólo un tercio observando a los lagartos directamente en el campo”, explica Andy Hutcheon, director del programa de recuperación. Mediante este sistema, su equipo ha clasificado rápidamente ejemplares de entre las más de 26.000 imágenes existentes.
Al mismo tiempo, el software puede ayudar a los científicos a responder preguntas generales sobre el comportamiento animal, relacionadas con los hábitos de cría o los patrones de migración. Se trata de una aportación valiosa en Nueva Zelanda, donde muchas especies nativas carecen de información detallada. “Esta aplicación nos puede ayudar a entender sus números y su historia, contribuyendo así a mejorar su conservación”, reconoce Hutcheon.
Aportación del crowdsourcing
El toque final del software lo aporta el crowdsourcing, con potencial para acelerar aún más el proceso. Como prueba, los investigadores registraron miles de imágenes de salamandras, en grupos de cuatro, en Amazon Mechanical Turk, un mercado de trabajo online que requiere de inteligencia humana a través del crowdsourcing.
El equipo pidió a los usuarios clasificar las imágenes por similitud. Para “tasar” su habilidad, se programó el sistema para conocer tres de cada cuatro respuestas. Así, si el internauta clasificaba correctamente tres de ellas, se aceptaba su cuarta respuesta. Además de recibir una pequeña compensación económica como incentivo por participar.
El resultado fue realmente bueno, con casos como el de un chico que consiguió un rendimiento del 99,96 por ciento realizando 3.000 comparaciones. Combinando esta técnica con los algoritmos, el software es capaz de identificar rápidamente parejas de imágenes entre miles de fotos con el 97 por ciento de exactitud.
Sin embargo, los investigadores creen que se puede automatizar aún más el sistema. Para ello trabajan en algoritmos que separarán y perfilarán automáticamente la silueta de un animal del fondo de la imagen. El reto es difícil, ya que el sistema tendría que distinguir entre, por ejemplo, la pata de un lagarto y una ramita cercana.
“Es algo muy complicado”, señala Ravela, sabedor de que realizar estas tareas manualmente consume mucho más tiempo. “¿Habrá un punto intermedio entre los dos que nos permita resolver problemas reales?”, se pregunta. Eso es lo que SLOOP trata de conseguir.
El toque final del software lo aporta el crowdsourcing, con potencial para acelerar aún más el proceso. Como prueba, los investigadores registraron miles de imágenes de salamandras, en grupos de cuatro, en Amazon Mechanical Turk, un mercado de trabajo online que requiere de inteligencia humana a través del crowdsourcing.
El equipo pidió a los usuarios clasificar las imágenes por similitud. Para “tasar” su habilidad, se programó el sistema para conocer tres de cada cuatro respuestas. Así, si el internauta clasificaba correctamente tres de ellas, se aceptaba su cuarta respuesta. Además de recibir una pequeña compensación económica como incentivo por participar.
El resultado fue realmente bueno, con casos como el de un chico que consiguió un rendimiento del 99,96 por ciento realizando 3.000 comparaciones. Combinando esta técnica con los algoritmos, el software es capaz de identificar rápidamente parejas de imágenes entre miles de fotos con el 97 por ciento de exactitud.
Sin embargo, los investigadores creen que se puede automatizar aún más el sistema. Para ello trabajan en algoritmos que separarán y perfilarán automáticamente la silueta de un animal del fondo de la imagen. El reto es difícil, ya que el sistema tendría que distinguir entre, por ejemplo, la pata de un lagarto y una ramita cercana.
“Es algo muy complicado”, señala Ravela, sabedor de que realizar estas tareas manualmente consume mucho más tiempo. “¿Habrá un punto intermedio entre los dos que nos permita resolver problemas reales?”, se pregunta. Eso es lo que SLOOP trata de conseguir.
Inicio
Enviar a un amigo
Versión para imprimir
Compartir
La Inteligencia Artificial habla sobre la legalización del cannabis
CIENCIA ON LINE