Project
Real-time on-board kunstmatig-neurale-netwerkgebaseerde verwerking van sensorische gegevens
Onderzoek naar wilde dieren wordt vaak belemmerd door problemen met toegankelijkheid en observatiemogelijkheden die het verzamelen van gegevens beperken. Met de opkomst van machine learning en recenter het gebruik van ‘edge computing’ wordt er steeds meer mogelijk om de ecologie van de wilde dieren beter te begrijpen.
Het meeste ecologische onderzoek volgt een conventioneel gegevensverzamelings- en verwerkingsmodel, waarbij ruwe gegevens eerst worden verzameld (bijvoorbeeld door het gebruik van biologgingapparaten of cameravallen), en vervolgens post-hoc (met behulp van een computer of server) worden verwerkt. Edge computing is een gedistribueerd computersysteem dat berekeningen en gegevensopslag dichter bij de gegevensbronnen brengt. De belangrijkste kenmerken van deze computerarchitectuur zijn een vermindering van de wachttijd en het gebruik van bandbreedte voor gegevensoverdracht.
Het project heeft tot doel om de modernste machine learning algoritmes (deep learning) op sensorische platforms toe te passen om een grotere, rijkere gegevensverzameling aan de bron te bereiken, betere automatisering van ecologisch monitoringonderzoek, en snellere reacties op verstoringen, zoals veranderende weersomstandigheden of ziekteoverdracht.
Vooruitgang 2023
Een literatuuronderzoek met de titel “Edge computing in wildlife behaviour and ecology’ wordt momenteel geëvalueerd door een wetenschappelijk tijdschrift. In samenwerking met de Leerstoelgroep Wildlife Ecology and Conservation testen de onderzoekers van dit project de prestaties van een deep-learning framework voor het classificeren van het gedrag van verscheidene diersoorten op basis van informatie uit versnellingsmeters. Dit deep-learning framework kan gebruikt worden in tracking-apparatuur voor dieren om automatische, langdurige gedragsobservatie mogelijk te maken.