点击上方“AI遇见机器学习”,选择“星标”公众号

重磅干货,第一时间送达

内容一览:国内一支科学家团队,用人工智能介入熊猫的配对繁殖问题。从大熊猫的声音特征入手,分析要进入交配期的大熊猫的叫声特性,通过算法模型,能够自动地预测出大熊猫配对的成功几率,为动物学家们的研究提供帮助。

关键词:大熊猫  配对  神经网络

据最新一次统计显示,截至 2019 年 11 月,全球圈养大熊猫种群数量为 600 只,野生大熊猫只有 1864 只。

大熊猫因为生育率低、存活率低,曾面临濒危的险境。近年通过保护和救治,已经从濒危进入到易危名单。

野外中,雌性大熊猫在四岁成年后,每年发情一次,每次只有短暂的 2-3 天。然而人工饲养的大熊猫,由于长期脱离野外环境,自然发情率本来就低更别说在短短几天中,找到合适的雄性熊猫与其交配了。

动物园和繁育中心,都希望能通过更好的人工繁育方式,提高大熊猫的生育繁殖率。

一年里只有两三天

才有心思谈恋爱的雌性大熊猫

近日,来自四川大学,四川省濒危野生动物保护生物学重点实验室,以及四川大熊猫科学院的研究人员,发表了一篇名为《基于音频的大熊猫自动配对成功预测》的论文,为解决这个问题带来了新的思路。

通过声音,确定大熊猫发情状态

根据以往的资料表明,大熊猫在繁殖季节会有特殊的发声行为,这些声音之中,包含了一些重要的信息。比如个体发情的情况,对某异性的好感度等,这些信息会决定最后交配繁衍的成败。

成功和失败的匹配在叫声上有很大的差异存在

该项研究首次尝试了一种基于大熊猫声音的 AI 方法,通过模型来自动预测大熊猫交配成功率。

研究中采用了语音情感识别(SER)技术,使用了深度神经网络来学习熊猫独特的发声特征,并定义和判断出发声的类型,再结合以往的数据,自动预测出两只熊猫交配成功的几率。

模型被称为 CGANet

包含卷积模块、GRU 模块和注意力模块

具体的方法是:给定在繁殖过程中录制的大熊猫交配的音频序列,研究人员先将大熊猫的声音裁剪出小片段,然后对其大小和长度进行归一化。

接下来,从音频片段中提取到的声学特征,输入到深度神经网络中,经过了训练的模型,将预测匹配是成功还是失败。

通过比对结果,就能够得出:两只熊猫交配成功的几率。

用算法提高熊猫生育率

在得到算法模型的预测结果后,大熊猫饲养者可以采取适当的后续行动,以提高整体的生育率,这对智能大熊猫育种带来了数据维度的有力帮助。

模型预测的匹配成功(蓝色)和匹配失败(红色)

和实际中的情形相符合

研究人员将此方法,在过去九年的数据集上进行了评估实验,获得了和实际情况相符合的结果。同时证明了基于音频的自动交配成功预测方法,在协助大熊猫繁殖上,具有很大的潜力。

研究的后续将继续扩大熊猫的声音数据内容,进一步验证了该方法的实际有效性。

此外,研究团队还计划扩展该方法的维度,包括探索声音和视觉方面更细粒度的数据信息。

大熊猫:提高中国的「路人缘」

早在 1957 年,中国就将大熊猫「平平」和「碛碛」,按照「国礼」的形式赠送给前苏联政府和人民,开启了大熊猫外交的先河。

1972 年,时任美国总统的尼克松访问中国,开启了中美两国的直接对话,在尼克松返回美国不久,中国就将一对熊猫作为礼物赠送给了美国。

《华盛顿邮报》在当时破天荒地,使用了一连串象声词作为标题进行了报道——「Awwwwwwww,They’reCute 嗷嗷嗷嗷嗷嗷,它们太可爱了!」。

全球圈粉的圆滚滚

截至 2018 年,中国与全球 12 个国家的 14 个动物园,建立了大熊猫长期合作研究关系,共有 40 只中国籍大熊猫生活在海外。憨态可掬的大熊猫,成为了全球的可爱担当,也化身成了中国的「友好大使」。

相比于过去的纯粹观赏,近年通过中国与全球的研究机构,针对大熊猫开展的合作研究也变得越来越多。为了将这份可爱延续下去,保证它们良好的繁衍生育,就成了其中重要的环节。

所以,好好学习神经网络,不仅能帮助大熊猫找到心仪的配偶,说不定还会给自己带来一段良缘呢。

论文地址:https://arxiv.org/pdf/1912.11333v1.pdf

推荐阅读

干货|学术论文怎么写

资源|NLP书籍及课程推荐(附资料下载)

干货|全面理解N-Gram语言模型

资源|《Machine Learning for OpenCV》书籍推荐

欢迎关注我们,看通俗干货

深度学习的强大应用,且看如何用神经网络给可爱的圆滚滚们发对象!相关推荐

  1. GPU驱动“后摩尔定律时代” 为HPC和深度学习提供强大加速动力

    中国HPC领域盛会2015年全国高性能计算学术年会(HPC China 2015)今日在无锡开幕.全球视觉计算的行业领袖NVIDIA®(英伟达™)及应用其GPU的众多企业和科研机构,带来近20场报告和 ...

  2. 吴恩达《神经网络与深度学习》精炼笔记(5)-- 深层神经网络

    上节课我们主要介绍了浅层神经网络.首先介绍神经网络的基本结构,包括输入层,隐藏层和输出层.然后以简单的2 layer NN为例,详细推导了其正向传播过程和反向传播过程,使用梯度下降的方法优化神经网络参 ...

  3. 深度学习与计算机视觉系列(10)_细说卷积神经网络

    转载自: 深度学习与计算机视觉系列(10)_细说卷积神经网络 - 龙心尘 - 博客频道 - CSDN.NET http://blog.csdn.net/longxinchen_ml/article/d ...

  4. Keras深度学习实战(2)——使用Keras构建神经网络

    Keras深度学习实战(2)--使用Keras构建神经网络 0 前言 1. Keras 简介与安装 2. Keras 构建神经网络初体验 3. 训练香草神经网络 3.1 香草神经网络与 MNIST 数 ...

  5. 深度学习入门笔记(七):深层神经网络

    欢迎关注WX公众号:[程序员管小亮] 专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具 ...

  6. 吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究

    吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 2.1 为什么要进行实例探究 2.2 经典网络 LeNet-5 AlexNet VGG- ...

  7. 深度学习入门(二十四)卷积神经网络——填充和步幅

    深度学习入门(二十四)卷积神经网络--填充和步幅 前言 卷积神经网络--填充和步幅 课件 填充 步幅 总结 课本 1 填充 2 步幅 3 小结 前言 核心内容来自博客链接1博客连接2希望大家多多支持作 ...

  8. 深度学习入门(三十二)卷积神经网络——BN批量归一化

    深度学习入门(三十二)卷积神经网络--BN批量归一化 前言 批量归一化batch normalization 课件 批量归一化 批量归一化层 批量归一化在做什么? 总结 教材 1 训练深层网络 2 批 ...

  9. 深度学习入门(五十六)循环神经网络——循环神经网络RNN

    深度学习入门(五十六)循环神经网络--循环神经网络RNN 前言 循环神经网络--循环神经网络RNN 课件 潜变量自回归模型 循环神经网络 使用循环神经网络的语言模型 困惑度(perplexity) 梯 ...

最新文章

  1. python秩和检验(Kruskal-Wallis H Test)
  2. php 账号与密码比对,Php - 将密码与root密码进行比较
  3. 编程大讲坛、坛坛是佳酿--编程大讲坛:Visual Basic核心开发技术从入门到精通...
  4. linux netfilter 过滤数据包,Netfilter-iptabes报文过滤框架(一)
  5. 前端学习(3337):ant design中button按钮尺寸size
  6. 解决QQ可以登录但是网页打不卡 ,提示代理服务器拒绝连接 的问题。
  7. 2017云栖大会门票转让_「揭秘GP」云栖大会 | Greenplum 6.0 内核优化解读和7.0展望...
  8. 中移动将整合手机邮箱和飞信业务
  9. 奖励千万元别墅!椰树集团又来招人了,入职肯定有美女帅哥追?
  10. idea 修改html 不重启,解决idea spring boot 修改html等不重启即时生效的问题
  11. python怎么重复程序,如何重复运行python程序
  12. RabbitMQ使用手册中文
  13. ASP.NET复习资料
  14. linux下XMind创建运行图标
  15. 【数据集】人工智能领域比较常见的数据集汇总
  16. 计算机排查方法,电脑开不了机问题排查方法图解(硬件排查)
  17. 视频加密中令人头疼的录屏行为怎么防范?
  18. python接口自动化--接口测试工具介绍(详解)
  19. 介绍一款web端的截图工具
  20. Springboot配置保存日志文件

热门文章

  1. mongodb主从复制及副本集的部署
  2. jQuery选择器实现隔行变色和使用javaScript实现隔行变色
  3. hp服务器硬件安装,HP Gen8 服务器安装2008 R2 帮助手册
  4. python调用r_python调用R包的问题
  5. Linux学习(一)--目录结构
  6. 泛型(派生子类,泛型通配符,类型擦除)
  7. 单例模式的一种实现方法
  8. Torch not compiled with CUDA enabled
  9. 调用wordcloud种种问题
  10. Softmax v.s. LogSoftmax