Ученые научили ИИ узнавать конкретных бурых медведей на Аляске по обычным фотографиям. Система работала даже когда животные за сезон заметно менялись: выходили из спячки худыми и лохматыми, потом быстро набирали вес на лососе и линяли. Для полевой биологии это редкий прорыв: можно отслеживать «кто есть кто» без отлова и меток.
Команда из EPFL и Университета Аляски описала систему PoseSwin в журнале Current Biology. Задача выглядит простой только на словах. Компьютерный анализ уверенно работает там, где есть устойчивые узоры (полосы, пятна).
Однако бурые медведи «однотонные», а разница между особями часто прячется в мелочах и еще и меняется вместе с телом.
ИИ научился узнавать медведей на Аляске
- Полевые эксперты годами учатся распознавать отдельных медведей по деталям, но даже человеку мешают сезонные «переключения» внешности.
- После зимы зверь худее, потом толстеет, шерсть меняется — и привычные ориентиры расплываются.
- Поэтому ученые решили искать то, что остается стабильнее всего.
Ключом стала голова и поза.
Материал для обучения — редкая база, собранная в McNeil River State Game Sanctuary, где летом концентрируется крупная сезонная группа бурых медведей, а наблюдения людей жестко регулируются.
- Исследовательница Бет Розенберг за 2017–2022 годы сняла более 72 тысяч фото 109 животных: в разном свете, дожде, в движении, спереди и в профиль — так, чтобы ИИ видел медведя «как в жизни», а не в идеальных позах.
Сама модель PoseSwin фокусируется на 4 признаках, которые меняются меньше, чем тело: форме морды, угле надбровья и посадке ушей, плюс учитывает ракурс и стойку.
- Это важно: камера редко ловит «паспортное фото» зверя, а позо-ориентированный подход позволяет использовать даже сложные кадры.
По словам Александра Матиса, такая комбинация оказалась надежнее моделей, которые пытались узнавать медведей по корпусу.
Дальше метод проверили в реальности: загрузили фотографии туристов из Katmai National Park and Preserve и увидели, что алгоритм способен узнавать знакомых медведей и отмечать тех, кого раньше «не видел».
Это означает практический сценарий: автоматом разбирать тысячи снимков, строить карту сезонных перемещений и точнее понимать, как популяция использует территорию.
Команда также открыла код и данные, чтобы подход можно было адаптировать к другим видам, где «узоров» тоже нет