當真實資料稀缺時人工智能生成影像可改善生態分類

 (https://zslpublications.onlinelibrary.wiley.com/doi/10.1002/rse2.70105)

 最新研究發現，現實世界的觀察是無可取代的，但在適當的情況下，人工智能產生的圖像可以用來提高用於物種識別和生物多樣性監測的電腦模型的性能。這項研究調查了當沒有足夠的真實圖像可用時，人工智能生成的 20 種常見北美樹木的「合成」圖像是否可以幫助訓練圖像識別模型。研究人員將 iNaturalist 和 Auto Arborist 資料集的真實樹木影像與人工智能生成的影像結合，然後將不同的組合輸入到標準影像辨識模型中，以檢驗合成影像是否能提高模型辨識樹木的能力。合成圖像提高了模型在真實圖像有限的情況下識別樹木的能力，這表明當照片稀缺時，人工智能生成的圖像可以幫助補充現實世界的數據。這項技術最大的潛力可能在於研究我們知之甚少的物種和地方，

電腦模型需要大量數據——在自然保護領域，這意味著需要植物、動物和其他生物的圖像——才能準確識別物種，用於研究和監測。但收集足夠的真實世界圖像並非易事。雖然社群科學家透過 iNaturalist 等平台貢獻照片來幫助應對這一挑戰，但某些物種（尤其是那些較少被拍攝的物種）的圖像資源仍然存在缺口。

人工智能產生的圖像可以用來擴展少量真實世界圖像的集合，幫助科學家在觀測有限的地區建立物種識別和監測的初始模型，同時繼續收集真實圖像。但也不應過度誇大人工智能生成影像在保育工作中的潛力。在這項研究中發現，在訓練影像辨識模型方面，合成影像的整體效果不如真實影像。