Albert LUI（以下簡稱「雷」）：好的，謝謝老師。我和我的團隊的研究項目是：基於卷積神經網絡的普通獼猴臉部識別系統設計。簡稱「猴臉識別系統」。

雷：現在大約有1800隻野生獼猴生活在香港，他們是普通獼猴、長尾獼猴、以及兩者的混血。為了更好地管理這些獼猴，控制猴子的種群，相關部門採取了耳朵剪角、紋身、植入芯片等三種方法對猴群進行識別。但我們覺得這三種方式都會傷害到猴子，有些殘忍，所以我們就想開發一個猴臉識別系統，這樣能更快地識別，並且對猴子不造成傷害。

雷：我們研究的是普通獼猴，它們是香港最主要、最常見的一種猴子，我們的數據採集點主要在香港的金山郊野公園。我們一共拍攝了114段視頻，352張照片，每段素材至少包含了一個猴子的臉部，經過整理、篩選、複查，一共鑑別出了62只獼猴的臉部，這組成了我們的數據庫。更近一步，我們從62只獼猴中選出了21隻長相差別比較大的獼猴，整理了182 張照片或視頻截圖，作為我們本次深度學習模型訓練的樣本集，其中80%的樣本作為模型訓練，20%的樣本作為模型測試。為了讓訓練效果更好，我們把所有樣本集的照片統一裁剪，讓猴臉在照片中的佔比盡量一致，並統一做成1080X1080像素的照片。並且我們給了一個清晰的「猴臉」定義：包括眼睛、鼻子、嘴巴和臉部毛髮較少的區域。另外，我們還給出了「猴頭」的定義：除了前面定義的猴臉外，還加上頭部毛髮和耳朵。最後使用「LabelImg」對定義區域標記，讓模型知道要識別的區域。接著，我們用「圖像增強」處理樣本集的照片，例如水平翻轉，垂直翻轉等，把一張照片擴展成50張不同效果的增強圖像，這樣總共得到 9100 張「圖像增強」的照片作為新的樣本集。其中，用7200 張做訓練，1200 張做測試。這是我們一個簡單的流程圖：首先，我們在野外採集樣本（拍攝猴子），然後去除相似的照片，接著把照片的尺寸、像素統一，經過圖像增強後放到卷積神經網絡模型，最後訓練出結果。我們用的是一個叫 SSD MobileNetV2 FPN Lite 320x320 圖像檢測模型，是由 Google 開發的TensorFlow2生成的開源模型中的一種模型。我們的程序是用 Python3.6寫出來的。TensorFlow會自帶一些評價指標：Recall, Percision, Accuracy, Detection Speed和 Loss。這些指標可以幫助我們評價模型訓練結果的好壞。關於兩種模型識別效果，猴頭模型可以達到 84.2% 的 average accuracy，猴臉模型可以達到 82.6% 的 average accuracy。整體上猴頭模型比猴臉模型表現得好一些。

雷：我在整個項目裡主要是負責數據收集、分類和組織、創建數據集、猴臉標記、MFR 設計和研發，當中的困難也是不少的。其中最主要的兩個，其一是當我們在給猴子的面部照片時，由於猴子會不斷地移動，這就給我們的數據採集造成了不少的困難，其二便是猴臉部識別系統的設計和開發，我們花了大約5個月的時間來尋找合適的方法，並學習如何使用TensorFlow 2、Python和LabelImg來實施猴臉識別，雖然是一項較大的工程，但是再回看自己經歷的過程和在比賽中的結果，我覺得這一切都是值得的！

雷：關於我們的研究，我還有一些思考：1.如果有更多的樣本可以給模型訓練，用更強的計算機資源來跑模型，那麼識別效果會更好；2.對猴臉做清晰的定義是很重要的，通過研究可以看出，不同定義的猴臉識別效果是不同的。雖然猴頭模型的識別精度更高，但是我們仍然認為猴臉模型更適合長期的野外識別，因為野外的猴頭毛髮可能會經常發生變化。3.紅外相機是野外動物研究經常會用到的工具，如果我們的研究能和紅外相機結合在一起，相信會有更多的研究內容。整體上，我們覺得 MFR猴臉識別系統的表現還是很不錯的，我們相信這個系統將有助於相關部門對野生獼猴的研究、保護和管理。

雷：謝謝老師。