Gyorsabb állatfelismerést hoz a Microsoft új, gyengén felügyelt AI-rendszere
A Microsoft új, gyengén felügyelt AI-keretrendszere, az OWL, akár hétszer gyorsabban és háromszor olcsóbban képes állatokat felismerni légi felvételeken, mint a hagyományos módszerek.
A légi állatfelmérések egyre inkább mélytanulási modellekre támaszkodnak, ám a hagyományos objektumdetektorokhoz szükséges bounding-box annotációk előállítása akár hétszer lassabb és háromszor drágább lehet a pontszintű címkézésnél. Ezt a szűk keresztmetszetet hivatott áthidalni a Microsoft által bevezetett Overhead Wildlife Locator (OWL) nevű, gyengén felügyelt sűrűségbecslő keretrendszer — írja a Microsoft.
Az OWL három változata
Az OWL három eltérő változatban érhető el: az OWL-C egy teljes konvolúciós modell a nagy átbocsátóképességű szűréshez, az OWL-T egy Swin-augmentált hibrid a változatos, zsúfolt jelenetekhez, míg az OWL-D egy fagyasztott DINOv3 ViT-H+/16 enkóderre épül DPT-stílusú fúziós dekóderrel.
Kapcsolódó: Ökológiai megfigyelés
Új etalonok a teszteken
A Microsoft mindhárom változatot összevetette a POLO, YOLOv11n és YOLOv11l modellekkel öt nyilvános légi adatkészleten, valamint a HerdNet korábbi eredményeivel a Delplanque adatkészleten. Az OWL-D új etalont állított fel a Delplanque adatkészleten (0,934 AP az OWL-D esetében, szemben a HerdNet 0,840 AP-jával), és a vizsgált öt adatkészletből négyen a legmagasabb AP-t érte el.
Kapcsolódó: Úthibák felismerése
Teljesítmény a felhasználási területtől függ
A teljesítmény a felmérési környezettől függ: a rendkívül sűrű SheepCounter UAV adatkészleten az OWL-T hibrid modell vezetett 0,978 AP-vel, míg a konvolúciós változatok mutatták a legalacsonyabb számlálási hibát. Ezzel szemben az alapítványi modellként működő OWL-D teljesítménye romlott, ami arra utal, melyik változat alkalmas melyik felmérési típushoz.
Kapcsolódó: Jaguár azonosítás
Valós idejű alkalmazás és nyílt forráskód
A modellt az Alaszkai Hal- és Vadászati Minisztérium 2022-es Közép-Arktikus Karibu-számlálásán is tesztelték. Itt az OWL-C, a Porcupine Karibu Herd 2017-es adataival finomhangolva, 0,965-ös F1-eredményt ért el egy teszthalmazon, mindössze +3,1%-os számlálási hibával. A Microsoft közzétette az OWL kódját, modell súlyait és az annotált Porcupine Caribou Herd 2017 (PCH) és Central Arctic Herd 2022 (CAH) foltokat, amelyek az első nyílt, foltszintű adatkészletek nagyméretű karibu légi felmérésekhez. A Porcupine Karibu Herd 2017-es adatai alapján az OWL-C modell 2022-ben 0,965-ös F1-eredményt ért el.
Kapcsolódó: AI-modellek védelme