对大多数人来说，在树林里意外遇到熊时，没人会优先去评估它的体重或毛色——求生本能会立刻盖过欣赏这头捕食者巨大爪子或口鼻形状的念头。正因如此，分不清不同熊的区别完全情有可原。
但对生态学家而言，长期（甚至数年）监测单个动物对保护工作至关重要。可即便专家也容易混淆：熊的体重会随季节大幅波动，冬眠前后的外形更是判若两“熊”。为解决这一难题，瑞士洛桑联邦理工学院（EPFL）与阿拉斯加太平洋大学（APU）的团队开发了机器学习程序PoseSwin，能精准区分不同的棕熊。相关研究近期发表于《Cell Current Biology》期刊。
一、PoseSwin：靠头部特征+姿态识别，破解棕熊“身份难题”
PoseSwin的训练数据来自APU研究员Beth Rosenberg在2017-2022年间拍摄的7.2万余张照片，涵盖109头棕熊。这些照片在昼夜不同时段、各种天气条件下拍摄，记录了熊的多样行为。
研究团队基于棕熊生理学知识，筛选出终身稳定的头部特征：眉骨角度、耳朵位置、口鼻形状，同时结合熊在不同姿态和角度下的外观数据进行训练。“我们的生物学直觉是，头部特征+姿态的组合，比随体重剧烈变化的体型更可靠，”EPFL研究员Alexander Mathis解释道，“数据证明了这一点——PoseSwin的性能远超仅用身体图像或忽略姿态的模型。”
二、公民科学助力实地测试：追踪熊的觅食迁徙，不干扰自然习性
团队联合“公民科学家”开展了实地测试：收集卡特迈国家公园（“胖熊周”举办地）游客拍摄的棕熊照片，输入PoseSwin后，程序成功将多只熊与数据库中的个体匹配。通过这些数据，研究人员已能追踪熊的季节性觅食迁徙路径。
“这是PoseSwin潜力的具体体现，”Rosenberg说，“未来该技术可分析游客每年拍摄的数千张照片，绘制棕熊活动范围地图。”
目前，团队正用PoseSwin监测麦克尼尔河州立野生动物保护区的100多头熊，全程不干扰它们的日常活动，以此获取更准确的健康数据，为保护工作提供关键支持。“熊处于食物链顶端，是生态系统正常运转的关键，”Rosenberg强调。
三、开源算法适配多物种：从“最难识别”的熊，拓展到小鼠到黑猩猩
PoseSwin的应用不止于熊：早期基准测试显示，经过猕猴数据训练后，它的识别准确率依然极高，意味着可快速拓展到其他物种。此外，该算法是开源的，任何人都可用于研究其他动物——但可能没有比熊更难识别的物种了。
“熊或许是最难个体识别的物种，”Mathis说，“我们先攻克最难的，再将程序适配到从老鼠到黑猩猩的其他物种。”
恒正网配资提示：文章来自网络，不代表本站观点。
