General Purpose In-Field Animal Tracking and Mapping of Natural Environments
Das Massensterben von Tieren gehört zu den größten Herausforderungen unserer Generation. Insbesondere der Rückgang von Insekten bedroht unsere Ökosysteme und damit ultimativ auch uns Menschen. Dieser Rückgang wurde bisher primär durch Totfallen ermittelt, welche Insektenbiomasse einfangen und so Rückschlüsse auf die Gesamtpopulationen ermöglichen. Konkrete automatisierte Verhaltensstudien von Insekten in ihren Habitaten haben sich, mangels geeigneter Systeme, bis heute als schwierig erwiesen. Daher können wir z.B. keine quantitativen Aussagen über durch Düngung induzierte Verhaltensdefizite von kleinen terrestrischen Tieren treffen. Präzise Daten über dieses Verhalten sind zudem unerlässlich um die Größe möglicher Schutzgebiete zu bestimmen, welche Insekten wie Ameisen benötigen, damit sie sich unbeeinflusst von menschlichen Eingriffen entwickeln können. Der zentrale Grund für die Abwesenheit dieser Systeme liegt insbesondere in der technischen Herausforderung ihrer Realisierung. So muss dieses System sowohl (i) kleinste Insekten vor einem dynamischen und unübersichtlichen Hintergrund erkennen als auch (ii) eine Rekonstruktion der Umgebung ermöglichen, um das Verhalten im natürlichen Kontext beurteilen zu können.
Durchbrüche im Bereich des maschinellen Bildverstehens könnten es erstmals ermöglichen beide Aufgaben zu bewerkstelligen: Sogenannte Deep-Learning Algorithmen erreichen seit wenigen Jahren bessere Detektionsergebnisse als Menschen und aktuelle Structure-from-Motion Verfahren erlauben die dreidimensionale Umgebungsrekonstruktion aus weidimensionalen Kamerabildern. Die Kombination von Detektion und Rekonstruktion würde dann das sogenannte Tracking der Tiere in ihrem Habitat ermöglichen. Da existierende Lösungsstrategien i.A. für mensch-gemachte größere Objekte und Umgebungen entwickelt wurden, lassen sich diese nicht direkt auf kleinste Insekten in natürlichen Umgebungen übertragen. So verhindert z.B. die Größe der Tiere in Kombination mit einem unübersichtlichen Habitat die direkte Anwendung von sogenannten Convolutional-Neural-Networks. Auch Structure-from-Motion
Algorithmen leiden unter, für unser Szenario zutreffende, kritischen Bildaufnahmekonfigurationen, sodass keine eindeutige Rekonstruktion möglich ist. Daher erfordert mein Vorhaben eine tiefgehende Untersuchung im Kern des maschinellen Bildverstehens, nämlich inwieweit Computer natürliche Tierlebensräume erfassen und verarbeiten können, um das präzise visuelle Tracking von Insekten zu ermöglichen. Genau diesen technischen Fragen, sowie den damit verbundenen ökologischen Implikationen möchte ich mich in meinem Promotionsprojekt widmen, indem ich ein automatisches visuelles Tracking- und Rekonstruktionsverfahren entwickele.