Мониторинг популяции бурых медведей (Ursus arctos) всегда был сложной задачей для зоологов. В отличие от леопардов или зебр, у медведей нет уникальных пятен или полосок на шкуре. Ситуацию усложняют сезонные изменения медведя: осенью он может весить в два раза больше, чем весной, а густая зимняя шерсть меняет очертания тела до неузнаваемости. Традиционные методы идентификации требуют отлова зверя и наркоза, что дорого, опасно и вызывает у животного сильный стресс.
Авторы исследования, опубликованного в журнале Current Biology, собрали массивный фотоархив в заповеднике Макнил-Ривер на Аляске. В итоговый датасет вошли 72 940 снимков 109 известных медведей, сделанные за шесть лет полевых наблюдений.
На этих данных обучили модель PoseSwin, основанную на архитектуре визуальных трансформеров. Ключевая особенность алгоритма — понимание позы. Нейросеть сначала определяет положение головы медведя в пространстве (где находятся нос, глаза, уши), а затем анализирует биометрические параметры морды. Это позволяет системе сравнивать снимки, сделанные с разных ракурсов, игнорируя изменения в полноте тела или состоянии шерсти.
Алгоритм показал высокую эффективность в полевых условиях. При идентификации медведя в рамках одного сезона точность составила около 84%. При попытке узнать животное через год (после спячки, линьки и набора веса) точность снижалась, но оставалась на высоком уровне — примерно 70%. ИИ научился игнорировать временные признаки и фокусироваться на стабильной геометрии черепа, посадке ушей и форме переносицы.
Система также успешно прошла тест на «открытый мир»: смогла отличить знакомых медведей от новичков, которых не было в обучающей выборке.
Практическую пользу модели доказали с помощью гражданской науки. Загрузив в систему любительские фото туристов из соседнего национального парка Катмай (расположен в 65 километрах от места обучения), ученые нашли там «своих» медведей. Например, выяснилось, что самец по кличке Безухий (Not Ears) и самка Лакс (Lax) регулярно мигрируют между парками, причем Лакс привела с собой медвежат, передавая им знание маршрута.
Исследование показывает, что компьютерное зрение может заменить инвазивные методы слежения даже для видов без явных отличительных признаков. Метод PoseSwin легко адаптируется для других животных, например львов или приматов, что позволит превратить миллионы туристических фотографий в ценный источник данных о миграциях и демографии дикой природы.