其中一篇名为“利用深度学习技术进行动物个体识别：以大熊猫为例。”研究了大熊猫个体识别的技术问题。

  数据集是来自四川3个基地的圈养大熊猫。通过数码相机与手机拍摄大熊猫的多样特征。尤其需要较清晰的获取其面部特征，特别是在进食、休息、嬉戏这些特定的动作捕捉。最终是由6位学生、用时7天拍摄了近6.5万张样本照片。（这种科研的努力劲儿，确实令人佩服。）

  该研究团队的张晋东教授表示，前后对于技术的攻关花费了约半年时间，最终这才有了识别模型的成功与如此高的识别率。

  拍照的时候呢，要离大熊猫至少5米远，以免打扰到它们，然后利用手机或相机的变焦功能来获取熊猫面部的照片。

  大熊猫的脑袋向上向下或者倾斜的角度最好不能大于30°，因为这样拍出来的照片质量不好。注意到这点之后，在筛选一些面部表情丰富，特定姿态的照片就作为数据集啦。

  此次数据集有65000张大熊猫面部图像，平均每只4300张。将其中39000张照片作为训练集，19500张用来验证，以及6500张照片作为模型的校准。

  为了加快识别网络的收敛速度，解决深度网络的不稳定梯度问题，他们采用了Xavier初始化方法。初始批量大小设置为128，学习率设置为0.001。

  除了已有的19500张验证集之外，他们还从中国大熊猫保护研究中心（CCRCGP）卧龙基地收集的10个个体的3000张图像用来验证模型识别未知个体的能力。

  其实就是靠你的脚力，眼力以及各大感觉支撑。这对于一般人比如我来说，仅仅是眼力就是不可能实现滴。

  而对于专业的研究人员来说，这样的方法简单，效果也好，但若是长期研究或者研究个体数量多的大熊猫种群，这项工作就显得庞杂了。

  研究人员通过批量测量咬节的长度，来区分大熊猫个体。这个方法简单实用，可以反应大熊猫种群时间变化特征。但是大熊猫的移动距离受到多种因素的影响，很难获取区别不同个体的阈值。

  但是这个粪便一定要是新鲜的，才有效，那么在野外就很难实现这一方法。同时也会消耗很多的人力和物力。

  且不说项圈寿命短成本高，这对数量大的熊猫种群也不友好，而且还要捕捉大熊猫，这当中要是出现什么差池，谁也担当不起呀。

  于是，就出现了这样一种方法，既可以精准识别，而且也不易受到其他自然因素的影响，可以大范围的使用监测。

  一方面是圈养大熊猫，可以为各个大熊猫建立它们的ID，这既方便管理人员的统一管理，也方便游客们对每只个体的识别、了解。

  另一方面，也是我们所更加重视的方面，即野生大熊猫的保护工作，我们下一步工作将考虑结合目前在野外监测中应用广泛的红外相机，收集更多的野生大熊猫个体照片，对这些数据进行识别，从而建立野生大熊猫种群身份库，并实现及时监测和大数据分析。

  文章提到，抗战时期四川某博物馆的一个历史插曲：应该由右到左的标示被搞错了方向，原本的“猫熊”也就因而被误读为“熊猫”。

  本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。