Het vinden van een vermist huisdier is een race tegen de klok, die vaak steunt op een enkele, wazige foto of een vage herinnering aan een kenmerkende markering. Decennialang hebben wetenschappers geprobeerd computers te leren om individuele dieren te herkennen zoals mensen dat doen, een veld dat bekend staat als dierlijke re-identificatie. Het doel is niet simpelweg om een kat van een hond te onderscheiden, maar om één specifieke kat te onderscheiden van duizenden gelijken. Dit is moeilijk omdat dieren bewegen, van houding veranderen en vaak gefotografeerd worden in slecht licht of met delen van hun lichaam die verborgen zijn. Hoewel computers erg goed zijn geworden in het herkennen van gezichten bij mensen, is het toepassen van dezelfde vaardigheid op dieren lastig gebleken, aangezien het gezicht van een kat weggedraaid kan zijn, bedekt door vacht, of simpelweg niet zichtbaar is op een foto. De uitdaging ligt in het creëren van een systeem dat een dier kan identificeren, of het nu het gezicht laat zien of alleen de rug, zonder dat daar een perfecte, studio-kwaliteit afbeelding voor nodig is.

Een team onderzoekers heeft een nieuw systeem ontwikkeld genaamd MeowID, dat dit probleem oplost door twee verschillende "experts" naar een foto van een kat te laten kijken. In plaats van te vertrouwen op één methode, fungeert het systeem als een slimme poortwachter die beslist wat de beste manier is om het dier te identificeren op basis van wat er in de foto zichtbaar is. Als de computer het gezicht van de kat duidelijk kan zien en uitlijnen, gebruikt het een gespecialiseerde expert in gezichtsherkenning om de match te vinden. Deze expert focust op fijne details zoals de vorm van de ogen, de neus en het patroon van de snorharen. Echter, als het gezicht verborgen is, weggedraaid of te wazig is om te gebruiken, geeft het systeem niet op. Het schakelt onmiddellijk over naar een tweede expert die naar het hele lichaam van de kat kij blijft kijken, waarbij het unieke patronen van de vact, de vorm van de staart en de markeringen op de romp analyseert. Deze tweeledige aanpak zorgt ervoor dat het systeem werkt, zelfs wanneer de meest voor de hand liggende aanwijzing, het gezicht, ontbreekt.

De onderzoekers bouwden dit systeem om de rommelige realiteit van echte foto's aan te kunnen, waarbij katten zelden stilstaan en recht in de camera kijken. Ze ontdekten dat hoewel gelaatstrekken meestal de krachtigste manier zijn om katten van elkaar te onderscheiden, ze niet altijd beschikbaar zijn. Door de kracht van gezichtsherkenning te combineren met de betrouwbaarheid van lichaamsherkenning, creëert MeowID een vangnet. Wanneer een gezicht zichtbaar is, gebruikt het systeem dit als de primaire aanwijzing, maar controleert het ook het lichaam om de identiteit te bevestigen, wat de gok nog nauwkeuriger maakt. Wanneer het gezicht niet zichtbaar is, wordt het lichaam het enige focuspunt, waardoor het systeem nog steeds de juiste kat kan vinden. Dit ontwerp zorgt ervoor dat het systeem direct van nieuwe katten kan leren zonder dat het vanaf nul opnieuw getraind hoeft te worden, simpelweg door hun foto's aan een digitale bibliotheek toe te voegen.

Om hun idee te testen, creëerde het team een enorme nieuwe collectie kattenfoto's genaamd "Individual Cats in the Wild". Ze verzamelden meer dan 82.000 afbeeldingen van publieke dierenreddings- en adoptiewebsites, waar elk profiel een unieke kat vertegenwoordigt. Ze hebben deze data zorgvuldig schoongemaakt, duplicaten verwijderd en ervoor gezorgd dat elke foto aan de juiste individuele kat gekoppeld was. Deze dataset was cruciaal omdat het de moeilijke omstandigheden van het echte leven reflecteerde, met katten in diverse houdingen, belichting en achtergronden. De onderzoekers verdeelden deze data in groepen om de computer te trainen en vervolgens om het te testen, waardoor ze er zeker van waren dat het systeem werd getest op katten die het nog nooit eerder had gezien. Ze maakten ook een specifieke subset van foto's waarbij het gezicht van de kat duidelijk zichtbaar was en een andere waarbij het niet zichtbaar was, om te zien hoe goed het systeem beide situaties afhandelde.

De resultaten lieten zien dat deze aanpak met twee experts aanzienlijk beter was dan eerdere methoden. Wanneer het werd getest op de volledige set foto's, inclusief de foto's waar het gezicht van de kat verborgen was, identificeerde het nieuwe systeem de kat correct als de beste match in bijna 76 procent van de gevallen. Dit was een grote verbetering ten opzichte van oudere systemen die alleen vertrouwden op gezichten, welke volledig faalden wanneer het gezicht niet zichtbaar was. Zelfs op de foto's waar het gezicht duidelijk zichtbaar was, was het nieuwe systeem nauwkeuriger dan systemen die alleen naar het gezicht keken, wat bewees dat het controleren van het lichaam de gezichtsgok verfijnde. Het systeem presteerde ook goed toen het werd getest op andere dieren, zoals honden, ferrets en konijnen, wat suggereert dat de methode sterk genoeg is om over verschillende soorten heen te werken.

De onderzoekers vergeleken hun systeem ook met oudere technologie die werd gebruikt in een specifiek project voor kattenidentificatie. Het nieuwe systeem was veel superieur, waarbij het de kat correct identificeerde als de beste match in meer dan 90 procent van de gevallen, vergeleken met ongeveer 64 procent voor de oudere methode. Deze grote kloof laat zien dat de nieuwe aanpak niet slechts een kleine verbetering is, maar een fundamentele verschuiving in hoe deze problemen worden opgelost. Het systeem werkt snel genoeg om te worden gebruikt in real-time toepassingen, waarbij een foto in minder dan een seconde wordt verwerkt op standaard computerhardware. Deze snelheid, gecombineerd met de hoge nauwkeurigheid, betekent dat het ingezet kan worden in asielen of door reddingsorganisaties om verloren huisdieren veel sneller dan met huidige methoden weer met hun eigenaren te herenigen.

Het succes van MeowID komt voort uit het vermogen om zich aan te passen aan wat de camera ziet. Het dwingt niet één manier van kijken naar het dier af, maar kiest de beste tool voor de taak. Als het gezicht er is, gebruikt het dat; als het gezicht weg is, gebruikt het het lichaam. Deze flexibiliteit maakt het robuust tegen de onvoorspelbare aard van het maken van foto's van dieren. De onderzoekers introduceerden ook een manier om nieuwe katten direct toe te voegen, wat betekent dat naarmate er meer katten worden gevonden of geadopteerd, de database kan groeien zonder de noodzaak van complexe, tijdrovende hertraining. Dit maakt het systeem praktisch voor grootschalig gebruik, waarbij dagelijks duizenden nieuwe dieren geïdentificeerd moeten worden.

Uiteindelijk demonstreert dit werk dat het combineren van verschillende soorten visuele informatie een veel sterker identificatiesysteem creëert dan het vertrouwen op slechts één bron. Door te erkennen dat het gezicht van een kat niet altijd zichtbaar is en een systeem te bouwen dat die realiteit kan hanteren, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel nauwkeuriger als betrouwbaarder is. De creatie van de nieuwe dataset biedt ook een standaardmanier voor andere wetenschappers om hun eigen ideeën te testen, wat ervoor zorgt dat toekomstige verbeteringen eerlijk gemeten kunnen worden. Het project werd gedreven door de wens om een praktisch probleem op te lossen, en de resultaten laten zien dat computers, met de juiste aanpak, de unieke identiteit van elk dier kunnen herkennen, zelfs onder de meest uitdagende omstandigheden.