18. Beeldherkenning bij iNaturalist en Wildcamera's Citizen Science Snapshot

iNaturalist gebruikt beeldherkenning en bracht elk kwartaal een nieuwe versie uit. Tegenwoordig kost het doorrekenen van een model zoveel tijd en gebruiken ze zoveel foto's dat het nu eens per jaar gaat worden denk ik. Wel apart dat men gelijk denkt dat vrijwilligers overbodig zijn.

https://www.zooniverse.org/projects/y-dot-liefting/snapshot-hoge-veluwe?language=nl
https://www.nrc.nl/nieuws/2019/10/25/gesnapt-intelligente-cameras-leren-welke-dieren-voorbijlopen-a3978047
https://www.zooniverse.org/projects/y-dot-liefting/snapshot-hoge-veluwe?language=nl
https://diopsis.eu/resultaten/
https://www.nu.nl/nucheckt/5406416/nucheckt-onwaarschijnlijk-kledingkleur-invloed-heeft-wespen.html

Wildonderzoek samen met publiek

Om overlast en schade door wild te voorkomen, beschikt het Nationale Park de Hoge Veluwe over een uniek wildmonitoringssysteem. Een netwerk van cameravallen registreert continu de activiteit van wilde dieren, waarbij Wageningen Universiteit de gegevens gebruikt voor onderzoek. Het netwerk levert miljoenen foto’s op, waarvan slechts een deel verwerkt kan worden. Met dit project wordt het huidige systeem aangepast om citizen science in te zetten voor de verwerking van de foto’s. Om mensen te trainen komt er daarnaast een online leermodule en game. Het project levert niet alleen essentiële informatie op voor het natuurbeheer, maar leidt ook tot educatie en grotere betrokkenheid bij de natuur.

Project: Snapshot Hoge Veluwe - Wildonderzoek met publiek, Stichting Het Nationale Park De Hoge Veluwe & Wageningen Universiteit

Ruseler: „ In 2013 besloten we de omrastering van de Hoge Veluwe te verlagen, en we wilden weten wat het effect op de verspreiding van de soorten was. Met Wageningen Universiteit plaatsen we 55 camera’s, inmiddels hebben we het opgeschaald naar een project met 70 camera’s, om jaarrond het gebied te kunnen monitoren: waar bevinden zich welke soorten, wat doen ze, hoe verhouden ze zich tot elkaar?

„Zo bestaan er in het buitenland al projecten als ‘Galaxy Zoo’ en ‘Chimp & See’, om meer te weten te komen over het heelal en mensapen, en van Snapshot bestaat er ook een Serengeti-versie.

In de winter hebben de dieren een dikkere vacht en werkt de infra rood camera ook minder goed omdat de dieren pas veel later gezien worden. In de zomer worden er wel vijf keer zo veel fotos gemaakt door de 77 wild cameras.
De maximumafstand waarover een camera een dier kan waarnemen is ongeveer 25 meter. Jansen: „Natuurlijk kun je op de weides verder kijken dan in het bos, omdat er lagere begroeiing is. Maar ze werken op elk type terrein naar behoren.”

„Zoogdieren zijn geruislozer en moeilijker waar te nemen dan vogels”, vult computerwetenschapper Benjamin Risse van de Universiteit van Münster aan. „Vaak moeten zoölogen het doen met pootafdrukken en de incidentele roadkill. Daarom is machine learning zo interessant.’

Bij zulke machine learning wordt het computeralgoritme ‘getraind’ in het herkennen van beelden. Netwerken die daarin gespecialiseerd zijn worden CNN’s genoemd: convolutional neural networks. Risse en zijn collega’s hebben ook het CNN voor Snapshot Veluwe ontwikkeld. „Eerst hebben we dag- en nachtafbeeldingen van negen soorten laten zien: wild zwijn, das, vos, haas, konijn, schaap, damhert, ree en edelhert. Daarna hebben we eerst handmatig aangegeven waar op de foto de dieren te zien waren, zodat de computer dat kon leren.” Dat het niet altijd goed gaat, bewijzen de false positives: foto’s waarop de camera een dier waarneemt, terwijl er helemaal niets te zien is. „Daarom zijn dubbelchecks door mensen altijd nog belangrijk: mensen zijn vooralsnog nog de beste patroonherkenningsmachines.” Ook is het belangrijk om gokwerk door een CNN te voorkomen. „Je wilt niet dat je een bestand hebt met 22.727 zwijnenfoto’s en 292 dassenfoto’s en dat de computer daarom maar op een zwijn gokt.” Toch zijn er al soorten waarin computers uitermate goed getraind zijn, zegt Risse. „In het herkennen van hondenrassen zijn CNN’s vaak al beter dan mensen.”

Vroege vogels schreef: “Sinds een jaar staan er verspreid over Nederland ‘slimme’ camera’s die de stand van de insecten meet. Het project is gestart naar aanleiding van een Duits onderzoek waaruit bleek dat in 27 jaar tijd de insectenstand, gemeten in biomassa, met 75% is achteruit gegaan. Om de vinger nu aan de pols te houden is dit systeem, Diopsis, geïntroduceerd. De eerste resultaten zijn per camera gepubliceerd op de website. De analyse van de gegevens moet nog plaatsvinden. Naar verwachting komen volgend jaar ook intelligente insectencamera’s op de markt die iedereen in z’n tuin kan plaatsen. Dan kan je behalve meedoen aan het onderzoek ook zelf te weten komen wat er dag en nacht in je tuin aan insecten voorkomt.” samenwerkingsproject tussen EIS, Naturalis, Radboud Universiteit en Cosmonio, dat twee jaar geleden begon.

De camera is waterdicht en heeft geen ventilatie. „In de zomer werd het soms bloedheet: 80 graden Celsius, terwijl de chip er al mee ophoudt bij 85 graden Celsius. Dankzij die zonwering werd het nog maar 70 graden.” Wel wordt elke foto met die van 10 seconden eerder vergeleken. „Als er geen verschil tussen zit, gooit de computer de dubbele weg. Dat scheelt een hoop data, zeker omdat nachtvlinders vaak wel uren kunnen blijven zitten.”

https://www.inaturalist.org/journal/ahospers/18629-computer-vision-artifical-knowledge-links

https://www.zooniverse.org/projects/y-dot-liefting/snapshot-hoge-veluwe?language=nl
https://www.nrc.nl/nieuws/2019/10/25/gesnapt-intelligente-cameras-leren-welke-dieren-voorbijlopen-a3978047
https://www.zooniverse.org/projects/y-dot-liefting/snapshot-hoge-veluwe?language=nl
https://diopsis.eu/resultaten/
https://www.nu.nl/nucheckt/5406416/nucheckt-onwaarschijnlijk-kledingkleur-invloed-heeft-wespen.html

Waarneming.nl: Max 3 keer per jaar herziening van het model.

18C Computer Vision Artifical Knowledge Links

24. Herkenning van Soorten met Model 5 (Voorjaar 2020) in iNaturalist (TensorFlow 2)
Waarneming.nl

  1. December 2017 Photos van Voor 2017
  2. December 2019 Photos van Voor 2018
  3. December 2020 Photos van Voor 2019

    Globaal waren de oude versies:

    1. May 2017 Model 1 2-20 photos per species
    2. Aug 2017 Model 2 40 photos per species
    3. Jan 2018 Model 3 40 photographers per species
    4. Feb 2019 Model 4
    5. Sep 2019 Model 5 <1000 photos per species/li>
    6. Mar 2020 Model 6, Tensor Flow2

    Referentiewaarnemingen er gebruikt worden (5000 of 40)

    1. https://groups.google.com/forum/#!topic/inaturalist/K9nJOC0Cjss
    2. https://www.inaturalist.org/pages/help#cv-taxa
    3. https://www.inaturalist.org/pages/help#computer-vision
    4. https://www.inaturalist.org/pages/help#cv-select
    5. https://www.inaturalist.org/blog/31806-a-new-vision-model
    6. FWIW, there's also discussion and some additional charts at
      https://forum.inaturalist.org/t/psst-new-vision-model-released/10854/11

    7. https://www.inaturalist.org/pages/identification_quality_experiment
    8. https://www.inaturalist.org/journal/loarie/10016-identification-quality-experiment-update
    9. https://www.inaturalist.org/journal/loarie/9260-identification-quality-experiment-update
    10. about a rare species, but the system might still recommend one based on nearby observation
      https://forum.inaturalist.org/t/identification-quality-on-inaturalist/7507

    11. https://github.com/kueda/inaturalist-identification-quality-experiment/blob/master/identification-quality-experiment.ipynb
    12. "nearby" means near in space and time
      The model became more efficient in sedges and grasse
      the vision model does not itself incorporate non-image data other than taxon IDs
      b/c because
      https://www.inaturalist.org/blog/25510-vision-model-updates ("taxon and region comparisons" 20190614)

    13. https://distill.pub/2020/circuits/zoom-in/ ("connections between neurons")
    14. https://www.inaturalist.org/projects/flora-of-russia/journal/31726
    15. https://www.inaturalist.org/posts/31726-
    16. https://forum.inaturalist.org/t/provide-relevant-geographic-data-confidence-level-accuracy-scores-with-ai-suggestions/9226/2
    17. https://forum.inaturalist.org/t/range-covered-by-the-seen-nearby-feature/2849/5
    18. --
      https://forum.inaturalist.org/t/use-computer-vision-to-annotate-observations/3331

    19. https://forum.inaturalist.org/t/what-image-s-are-used-for-training-computer-vision/3307/6
    20. Interessant artikel over de Artificial Intelligence achter Inaturalist: https://news.mongabay.com/wildtech/2017/08/smartphone-app-combines-computer-vision-and-crowdsourcing-to-explore-earths-biodiversity-one-photo-at-a-time/
    21. = = = Nov2020
      https://forum.inaturalist.org/t/better-use-of-location-in-computer-vision-suggestions/915/32

    22. https://github.com/inaturalist/iNaturalistAPI/blob/main/lib/controllers/v1/computervision_controller.js#L368
    23. Common ancestor for the top 3 raw results

      https://github.com/inaturalist/iNaturalistAPI/blob/main/lib/controllers/v1/computervision_controller.js#L368

    24. https://www.inaturalist.org/journal/ahospers/28858-funding-infrastructure-costs-images-on-amazon

      https://kildor.name/react/inat-converter/Met Google translate kun je ook statistisch journaal posts maken. er is een tool voor die de noodzakelijke alineas (page breaks) toevoegt, origineel is het gebruikt om statische to Flora of Russia projectte schrijven en zet ook wat statistieken om in HTML .
      http://www.verspreidingskaart.nl/REGISTER.pdf

      https://www.topsectorenergie.nl/tki-urban-energy/kennisbank/kennis-duurzame-warmte-en-koude/seminar-vijfde-generatie-warmtenetten
      https://www.youtube.com/playlist?list=PL4sYVwOEW4JWMuglN1-AML_whLwQ86ff6

      1. https://populationbiology.nl/Gyrinus/Het_schrijvertje_Gyrinus.pdf
      2. https://populationbiology.nl/Gyrinus/zwemgolf.mkv,
      3. https://populationbiology.nl/Gyrinus/schemer.mp4,
      4. https://populationbiology.nl/Gyrinus/gedrag.mkv

      eer weten? Bekijk het webinar met de uitkomsten van de systeemstudie Overijssel.
      Webinar Systeemstudie Overijssel 1/12/20
      Of bekijk het onderzoeksrapport Systeemstudie Overijssel. https://www.wevideo.com/view/1950026230
      https://energiestrategietwente.nl/nieuws/toekomstscenarios-energiesysteem
      https://energiestrategietwente.nl/assets/media/201201_Systeemstudie-Overijssel.pdf

      https://energiestrategietwente.nl/nieuws/toekomstscenarios-energiesysteem
      https://energiestrategietwente.nl/assets/media/201201_Systeemstudie-Overijssel.pdf

      De systeemstudie laat zien dat bijna alle knelpunten te verwachten zijn op het elektriciteitsnetwerk. Alle scenario’s laten zien dat we richting 2050 een sterke groei verwachten in de vraag naar elektriciteit en de lokale, duurzame productie hiervan. De huidige infrastructuur kan deze groei niet accommoderen, waarbij de studie laat zien dat de lokale opwek op termijn de grootste netverzwaringen vereist. Deze inzichten onderstrepen dat richting 2050, naast netverzwaring, ook flex-oplossingen die lokaal de benodigde verzwaring kunnen beperken of voorkomen, van groot belang zijn. De systeemstudie beschrijft een aantal van deze oplossingen en de daarbij behorende handelingsperspectieven. Han Slootweg is vanuit de regionale netbeheerder Enexis betrokken geweest bij de studie. Hij onderstreept het belang ervan: “Wij concentreren ons in de RES op het zichtjaar 2030. Als netbeheerder leggen wij infrastructuur echter niet aan voor 10 jaar, maar voor 30, 40 of 50 jaar. De systeemstudie biedt ons een handvat om nú keuzes te maken die niet alleen met het oog op 2030, maar ook voor 2050 en daarna adequaat zijn. “

      https://energiestrategietwente.nl/nieuws/toekomstscenarios-energiesysteem
      https://energiestrategietwente.nl/assets/media/201201_Systeemstudie-Overijssel.pdf

      Webinar en reacties op de resultaten
      De resultaten van de systeemstudie zijn onlangs toegelicht tijdens een webinar van Berenschot en Quintel, die de studie hebben uitgevoerd.

      Louis Koopman, voorzitter stuurgroep RES Twente: “Voor ons heel waardevol om mee te nemen op weg naar de RES Twente 1.0. Het is nog te vroeg om conclusies te kunnen trekken. De bestuurlijke keuzes moeten nog worden gemaakt, maar de systeemstudie geeft ons zeker meer inzicht in mogelijke knelpunten en oplossingsrichtingen in de infrastructuur. We gaan hierover in gesprek met de betrokken partijen en organisaties op lokaal, regionaal en provinciaal niveau. Bovendien worden de afwegingen niet alleen op basis van systeemefficiëntie gemaakt, maar ook op basis van ruimtelijke kwaliteit en maatschappelijke acceptatie. Bij de invulling van de RES Twente 1.0 komen alle afwegingen samen. https://energiestrategietwente.nl/nieuws/toekomstscenarios-energiesysteem

      https://energiestrategietwente.nl/assets/media/201201_Systeemstudie-Overijssel.pdf



      Publicado el enero 9, 2021 08:04 TARDE por ahospers ahospers

      Comentarios

      https://forum.inaturalist.org/t/better-use-of-location-in-computer-vision-suggestions/915/41

      I just wanted to give a quick update on functionality changes to better use location in CV suggestions.

      On iNaturalist, we currently use location data to boost visually similar species that are also seen nearby, but we don’t do anything to demote visually similar species that aren’t seen nearby
      Ken-ichi gives a good overview of this in this talk he recently gave to TDWG:
      https://www.youtube.com/watch?v=xfbabznYFV0 2

      We’ve learned from model evaluation experiments that demoting visually similar species provides better predictions on average than our current approach of not doing that. But we’ve held off because we want iNaturalist to also work well in situations where location data might not help, such as a garden filled with ornamentals or a remote location without much nearby data to draw from.

      We’re currently working on altering the CV suggestions on iNaturalist so that by default it will demote visually similar species that aren’t seen nearby. But there will be a new toggle to have the CV ignore location data to accommodate these situations where location data doesn’t help (e.g. gardens, captivity).

      We’re rolling this out in Android first as part of a new more elaborate ‘species chooser’ which we’re currently testing internally and hope to have in beta some time in the next month. Why Android? That’s just where we have the development resources right now. Once we’ve figured out how to make it work there, we’ll move on to changing the default/adding the toggle on the website and getting it on to the iOS app in some form.

      On Seek, we currently don’t incorporate location data into the CV suggestions because Seek suggestions work offline and doing so requires getting location data on-device (there are a few exceptions related to the camera roll and older versions of iOS which use ‘online’ CV and thus location from the server). We’ve recently made progress on getting location data incorporated into the offline Seek CV suggestions (we have a working Android version) but we don’t yet have a release date. When this update is released, Seek will work in the same way as our plan for iNaturalist: i.e. demote species not seen nearby by default and have an option to ignore location data.

      Thanks for bearing with us and your patience. We hope these features will help towards reducing the number of wrong IDs suggested by the CV and will thus help alleviate identifier burnout.

      https://forum.inaturalist.org/t/better-use-of-location-in-computer-vision-suggestions/915/41

      Publicado por ahospers hace alrededor de 3 años

      Google provides three models that have been trained with iNaturalist data - classification models for plants, birds, and insects. These Google models can be downloaded and used with Google's TensorFlow and TensorFlow Lite tools.
      https://techbrij.com/setup-tensorflow-jupyter-notebook-vscode-deep-learning

      Publicado por optilete hace 9 meses

      https://techbrij.com/setup-tensorflow-jupyter-notebook-vscode-deep-learninghttps://techbrij.com/setup-tensorflow-jupyter-notebook-vscode-deep-learning

      Further Reading

      The Recipe from PyTorch

      A nice paper on tuning hyper-parameters. The same author also came up with cyclical learning rates.

      Trivial Auto Augment

      How label smoothing helps

      CutMix, another clever augmentation strategy , which I did not try out.

      Geo Prior Model that encodes location and time

      How biologists think about classification ! This is a very good read.

      Publicado por ahospers hace 8 meses

      Agregar un comentario

      Acceder o Crear una cuenta para agregar comentarios.