KI durchschaut die Verwandlung von Braunbären

Forschende der EPFL und der Alaska Pacific University (APU) haben eine künstliche Intelligenz entwickelt, die Braunbären in ihrem natürlichen Lebensraum identifizieren kann. Das System namens "PoseSwin" soll die wissenschaftliche Beobachtung, das Management und den Schutz dieser Tierart verbessern, wie die EPFL mitteilt. 

Die individuelle Identifikation von Tieren ist eine zentrale Herausforderung in der Erforschung wildlebender Populationen. Beim Braunbären ist diese Aufgabe besonders komplex, da sich ihr Erscheinungsbild im Laufe der Jahreszeiten stark verändert. Zwischen dem Ende des Winterschlafs und dem Spätsommer verlieren die Tiere ihr Winterfell, nehmen dank des Lachsfangs erheblich an Gewicht zu und verändern ihre Körperhaltung. Dies erschwert auch für automatisierte Systeme die visuelle Identifikation. Um diesem Problem zu begegnen, kombiniert "PoseSwin" die Analyse von Gesichtszügen und Körperhaltung, um die Bären über längere Zeit hinweg wiederzuerkennen.

Ein einzigartiger Datensatz aus freier Wildbahn

Das McNeil-River-Reservat in Alaska beheimatet die weltweit höchste saisonale Konzentration von Braunbären. Deshalb nutzen die Forschenden für die Entwicklung der KI die Datensätze des Reservats. Zwischen 2017 und 2022 sammelte Beth Rosenberg, Forscherin an der APU, mehr als 72'000 Bilder von 109 verschiedenen Bären. Die Fotos decken eine grosse Vielfalt an Situationen, Verhaltensweisen und Umweltbedingungen ab - bei Regen, zu verschiedenen Tageszeiten und in allen erdenklichen Posen.

Da die saisonale Gewichtszunahme übliche Ansätze, die ausschliesslich auf Silhouetten basieren, stark beeinflusst, identifizierten die Forschenden stabilere Merkmale: die Form der Schnauze, da diese kaum Fettgewebe aufweist, den Winkel der Stirnknochen, die Position der Ohren sowie die allgemeine Körperhaltung des Tieres. Das System berücksichtigt zudem die Ausrichtung der Bilder, sodass auch jene genutzt werden können, auf denen das Gesicht nicht vollständig sichtbar ist. 

Alexander Mathis, Assistenzprofessor an den Instituten Brain Mind und Neuro-X der EPFL. (Source: zVg)

Laut EPFL-Assistenzprofessor Alexander Mathis erwies sich die Kombination aus Gesichtsmerkmalen und Körperhaltung zur Unterscheidung einzelner Individuen als zuverlässiger als die alleinige Analyse des Körpers.

Grundprinzipien eines grossen Sprachmodells

Die Architektur von "PoseSwin" basiert auf sogenannten Transformern und ähnelt damit in ihren Grundprinzipien derjenigen grosser Sprachmodelle (LLM). Sie ist aber speziell auf die Bildanalyse angepasst. Die Forschenden trainierten das Modell mithilfe des metrischen Lernens. Der Algorithmus vergleicht jeweils drei Bilder: Zwei zeigen denselben Bären zu unterschiedlichen Zeitpunkten, ein drittes gehört zu einem anderen Individuum. Auf diese Weise lernt das System, Bilder desselben Tieres in einem mathematischen Raum näher zusammenzubringen und Bilder verschiedener Bären weiter voneinander zu entfernen.

"Es ist ein echtes Spiel von Anziehung und Abstossung, ein digitales Tauziehen, bei dem die Bilder sich neu ordnen, bis sie kohärente Gruppen bilden", sagt Mathis und ergänzt: "Jeder Bär wird letztlich als eine einzigartige Konstellation von Punkten dargestellt. Das deutet darauf hin, dass die KI etwas Fundamentales erfasst: nicht nur das Aussehen eines Bären, sondern etwas, das seiner Identität näherkommt."

Diese Methode ermöglicht nicht nur die Identifikation bereits bekannter, sondern auch neu auftauchender Bären - ein entscheidender Aspekt für die Beobachtung von Populationen in offenen Lebensräumen.

Potenzial für andere Tierarten

Die Forschenden testeten das System ausserdem mit Bildern aus dem Katmai-Nationalpark in Alaska, der mehr als 60 Kilometer vom ursprünglichen Untersuchungsgebiet entfernt liegt. Die KI konnte mehrere Bären wiedererkennen, was auf saisonale Wanderungen zwischen verschiedenen Regionen hindeutet.

Um die Wiederverwendung durch andere Forschungsteams zu ermöglichen, stellen die Forschenden die verwendeten Algorithmen und Daten als Open Source zur Verfügung. Langfristig soll dies die automatisierte Beobachtung von Tierpopulationen erleichtern und den Ansatz auf weitere Arten erweitern. Während der Braunbär aufgrund seiner starken morphologischen Veränderungen einen besonders komplexen Fall darstellt, gehen die Forschenden davon aus, dass sich die Methode auch auf Tiere mit weniger ausgeprägten Veränderungen übertragen lässt, von Mäusen bis zu Schimpansen. 

Das könnte Sie auch interessieren: EPFL-Forschende haben Ende 2025 eine Software namens Anyway Systems entwickelt. Diese soll eine lokale Ausführung von KI-Modellen ermöglichen. Lesen Sie hier mehr dazu.