Entender cómo los animales interactúan con su entorno y entre ellos es crucial en la investigación del comportamiento. Si bien la codificación de video es un método preferido para recopilar datos de comportamiento detallados, extraer manualmente información de grabaciones extensas lleva mucho tiempo y requiere un entrenamiento significativo.
Afortunadamente, el aprendizaje automático ha surgido como una solución para automatizar la extracción de datos y mejorar la eficiencia manteniendo la confiabilidad. Esta tecnología ha tenido éxito en reconocer especies, individuos y comportamientos específicos en videos, transformando la investigación del comportamiento mediante el seguimiento de especies en grabaciones de cámaras trampa e identificando animales en tiempo real.
Sin embargo, todavía existen desafíos para rastrear comportamientos sutiles, especialmente en entornos naturales. Si bien las herramientas actuales de aprendizaje automático sobresalen en entornos controlados, el progreso reciente sugiere su potencial para expandirse a especies diversas y hábitats complejos. Al combinar métodos de aprendizaje automático como CNN de acción espacio-temporal y modelos de estimación de postura, los investigadores pueden obtener una visión más integral del comportamiento animal a lo largo del tiempo.
En un estudio reciente publicado en el Journal of Animal Ecology, los investigadores exploraron el uso de la herramienta de aprendizaje automático DeepLabCut para analizar datos de comportamiento de animales salvajes, particularmente primates como chimpancés y bonobos. El artículo destacó los desafíos de la codificación manual y la extracción de información de comportamiento de grabaciones de video, así como el potencial del aprendizaje automático para automatizar este proceso, reducir el tiempo y mejorar la confiabilidad.
El artículo proporcionó detalles profundos sobre el uso de DeepLabCut, incluida la instalación y el uso inicial, los requisitos de hardware, las funcionalidades de la interfaz gráfica de usuario y las consideraciones éticas de la recopilación de datos. También describió los criterios de selección de videos, el desarrollo y entrenamiento de modelos, y las evaluaciones de rendimiento.
Utilizando DeepLabCut, los investigadores desarrollaron y probaron modelos para rastrear los movimientos de chimpancés y bonobos en estado salvaje. Se entrenaron dos modelos en diferentes fotogramas de video y se evaluó su precisión en el seguimiento de los movimientos de primates tanto en fotogramas de prueba como en videos completamente nuevos.
La evaluación reveló que ambos modelos mostraron una precisión mejorada al marcar puntos clave en los fotogramas de video en comparación con los codificadores humanos, siendo el Modelo 2 consistentemente mejor que el Modelo 1. Sin embargo, ambos modelos enfrentaron dificultades para vincular de manera efectiva los puntos detectados, lo que resultó en problemas de seguimiento en videos específicos.
Si bien el estudio demostró el potencial de DeepLabCut y el aprendizaje automático para automatizar el análisis del comportamiento de primates salvajes, también destacó la necesidad de intervención humana en la corrección de errores y la naturaleza intensiva en tiempo del desarrollo de modelos. A pesar de estos desafíos, el aprendizaje automático ofrece posibilidades transformadoras en la investigación del comportamiento, enfatizando la necesidad continua de perfeccionar los sistemas de seguimiento para comportamientos sutiles en entornos naturales.
The source of the article is from the blog trebujena.net