Ett team av forskare vid University of Bristol har utvecklat ett neuralt nätverk för djupinlärning som kan identifiera det bästa sättet att minimera eller maximera färgning för att tillåta att blandas in i en bakgrund eller sticka ut. I deras tidning publicerad i Journal of the Royal Society Interface , teamet beskriver sitt nätverk och möjliga användningsområden för det.

I naturen, färgläggning är mycket viktigt. I vissa fall, det kan spela en roll för att attrahera en partner – hos andra, den kan användas för att gömma sig från rovdjur. Och i vissa andra fall, det kan också hjälpa rovdjur att gömma sig medan de jagar – tigrar är ett sådant exempel. Tigern är intressant eftersom dess ljusa orange och svarta färg verkar göra det lätt för byten att upptäcka bland det gröna i djungelns bakgrund. Men dess byte, olika typer av rådjur, är alla färgblinda - för dem, tigrar ser gröna och svarta ut.

I denna nya ansträngning, forskarna försökte bygga ett system som kunde avslöja vilka färger som bäst smälter in i vilka bakgrunder, eller omvänt, som sticker ut mest. För att uppnå detta mål, forskarna vände sig till ett neuralt nätverk för djupinlärning. Genom att programmera den för att förstå vad som önskades och sedan analysera fotografier av många bakgrundsscener och djur, systemet bestämde de bästa färgerna för en organism för att undvika att bli sedd av vissa andra varelser beroende på deras visuella förmågor – eller för att bäst sticka ut.

Nätverket valde korrekt orange som rätt färg för tigrar. De noterar att däggdjur inte kan växa grön päls; Således, tigrar är orange för att det fungerar lika bra. De har ingen förklaring till varför rådjur inte har utvecklat förmågan att se orange. Också, under testning med människor, de fann att observatörer med dikromatisk syn (färgblindhet) tog längre tid att upptäcka starkt färgade djur. De med trikromatisk (normal) syn, å andra sidan, var väldigt bra på att bryta kamouflage. De föreslår att deras nätverk kan vara ett användbart verktyg för att bättre förstå vilken roll färg spelar med djur som lever i den naturliga världen.

© 2019 Science X Network