路易斯大學計算機科學副教授Lewis Barnett在鳥類研究當中使用面部識別技術。目前，研究人員已經使用機器學習技術以高精度識別數字影象中的個人面部。這些專案讓Lewis Barnett想到了將自己觀鳥愛好與日常工作結合起來，是否有可能應用這些技術來識別鳥類？

因此，Lewis Barnett建立了一個收集資料的工具：一種運動啟用相機和喂鳥器的組合。Lewis Barnett在弗吉尼亞州郊區的院子裡設立了監測站，透過餵食收集鳥類面部資料。當Lewis Barnett開始和Lewis Barnett的學生一起研究這個專案時，影象分類研究集中在一種技術上，它可以觀察影象的特徵，比如邊緣、角落和相似顏色的區域。這些通常是可以組裝成某些可識別物件的片段。這些方法使用數百個類別和數萬個培訓示例的基準資料集，準確率約為70%。

最近Lewis Barnett研究轉向了使用人工神經網路，它識別出了鳥類的特徵，這些特徵被證明對精確分類最有用。卷積神經網路是Lewis Barnett們目前在鳥類研究中使用的一種神經網路，它是以visual cortex為模型進行修改，這使得它們特別適合於影象分類問題。

雖然Lewis Barnett和Lewis Barnett的學生沒有像大多數其他研究人員和公司一樣收集大量影象，但Lewis Barnett們的優勢在於可以提高分類的準確性。Lewis Barnett所有的影象都是從相同的角度拍攝的，具有相同的比例，並且屬於有限的類別。總而言之，只有大約15種鳥類曾到過Lewis Barnett的餵養器。其中，10種鳥類經常訪問，足以為培訓分類器提供有用的基礎。

從理論而言是可以的，實際而言，做這個研究沒啥用，莫非要在非洲草原上學習不靠譜修個柵欄門，用臉部識別干預動物遷徙？動物識別可以採取其他方式，例如行為識別的方法進行標識可能更有意義，行為動作標識對動物個體研究、種群行為研究會有幫助，2000年前後，對動物的行為識別，國內做過嘗試，主要是用於野外動物監測，做得原因除了抓拍的需要，很重要一個原因是那會的儲存太貴，長期監測有儲存成本問題，現在沒陳本問題，而是需要在大量影片素材中快速自動檢索出有用的素材需要用到對動物的識別功能。從技術而言，做出來不難，沒人用心做是因為沒有市場，大家誰也沒動力。