|
Acadêmico(a): Orlando Krause Junior |
Título: Reconhecimento facial de bugios-ruivo através de redes neurais convolucionais |
|
Introdução: |
O atual momento do Brasil impõe um grande desafio para a conservação da biodiversidade. O país cresce e,
mesmo com a volatilidade momentânea no seu ritmo de desenvolvimento, expande os projetos de empreendimentos que,
não raro, representam severas intervenções a ambientes naturais até então pouco ou nada alterados. Intervenções que
podem tornar-se verdadeiros desastres se associadas às mudanças climáticas sobre as quais pouco se sabe (COSTA et al.,
2013, p. 3).
Ainda segundo Costa et al. (2013, p. 19) a implantação de áreas protegidas é uma das estratégias mais eficientes
para a conservação da biodiversidade. Contudo, além dos esforços para que as Unidades de Conservação (UCs) funcionem
verdadeiramente para a conservação da biodiversidade em escala nacional, a gestão local dessas áreas deve garantir a
conservação da biodiversidade e dos processos ecológicos naturais em escala regional. Nesse sentido, monitorar a
integridade da biodiversidade local (in situ) em UCs ao longo do tempo é essencial para a tomada de decisão em uma
gestão em nível local, regional e nacional.
Crouse et al. (2017, p. 1, tradução livre) apontam que a maioria das pesquisas sobre o comportamento e a ecologia
de populações de animais selvagens requer que os sujeitos do estudo sejam individualmente reconhecíveis. Crouse et al.
(2017, p. 2, tradução livre) indica ainda que os métodos atuais de identificação individual geralmente envolvem captura
e marcação de animais com identificadores únicos, como combinações de colares e/ou marcas coloridas, ou aproveitando
a variação natural em populações (por exemplo, cicatrizes, padrões de pele e pelagem) e confiando no conhecimento dos
pesquisadores nas diferenças individuais.
O Projeto Bugio, criado pela FURB, tem como principal objetivo a preservação do bugio-ruivo. Dentre as
atividades do projeto está o monitoramento de indivíduos, com o intuito de estudar e preservar a espécie. Atualmente este
monitoramento é feito através de chips subcutâneos, porém para que seja aplicado, se faz necessário a captura e sedação
do indivíduo, que pode acabar gerando sequelas.
Visto a importância da identificação dos indivíduos por um método não invasivo, e em parceria com o Projeto
Bugio-FURB, este trabalho propõe o desenvolvimento de um protótipo para reconhecimento facial de bugios-ruivo
utilizando Redes Neurais Convolucionais. Para isso foram testadas três Redes Neurais Convolucionais, sendo elas:
Inception-ResNet v2, ResNet50 e Xception. A técnica Triplet Loss foi utilizada nas redes neurais para treiná-las na
extração de características, enquanto para classificação, foram utilizados os algoritmos de Aprendizado de Máquina KNearest Neighbors (kNN), Radius Nearest Neighbors (rNN) e Support Vector Machine (SVM). Com isso, foi atingido o
One-Shot Learning, ou seja, foi possível aprender novas classes a partir de poucos exemplos treinando apenas o algoritmo
de classificação. Além disso, foi construído uma aplicação para demonstrar as funcionalidades desenvolvidas neste
protótipo. Nesta aplicação é possível prever o nome do bugio a partir de uma imagem e adicionar novos imagens na base
utilizada na previsão. Os objetivos específicos são: (i) construir uma base de dados de imagens de bugios-ruivo em
conjunto com os profissionais do Projeto Bugio-FURB; (ii) extrair características relevantes utilizando os modelos de
Redes Neurais Convolucionais Inception-ResNet v2, ResNet50 e Xception; (iii) utilizar os classificadores KNN, rNN e SVM a fim de reconhecer os indivíduos a partir das características extraídas pela rede neural; (iv) permitir One-Shot
Learning, ou seja, aprender a classificar um indivíduo a partir de um único exemplo; (v) desenvolver aplicação com
interface para realizar o reconhecimento facial.
Este trabalho acelera o processo de reconhecimento de indivíduos, que atualmente são necessárias muitas horas
de campo para que sejam coletadas estas informações. Além do tempo ganho, este trabalho busca reduzir os erros de
amostragem e melhorar a qualidade dos dados coletados. O trabalho também permitirá a identificação de indivíduos que
sobreviveram a febre amarela em casos de epizootias (doença que ocorre em populações de animais, similar a epidemia
em seres humanos). |
|
|