Înțelegerea modului în care animalele interacționează cu mediul lor înconjurător și între ele este crucială în cercetarea comportamentală. În timp ce codarea video este o metodă preferată pentru colectarea de date comportamentale detaliate, extragerea manuală a informațiilor din înregistrări extinse este consumatoare de timp și necesită un antrenament semnificativ.
În fericire, învățarea automată a apărut ca o soluție pentru automatizarea extragerii datelor și îmbunătățirea eficienței, menținând în același timp fiabilitatea. Această tehnologie a avut succes în recunoașterea speciilor, indivizilor și comportamentelor specifice în înregistrări video, transformând cercetarea comportamentală prin urmărirea speciilor în înregistrările de camere și identificarea animalelor în timp real.
Cu toate acestea, există în continuare provocări în urmărirea comportamentului detaliat, în special în mediile sălbatice. În timp ce instrumentele actuale de învățare automată excel în setări controlate, progresele recente sugerează potențialul lor de a se extinde și către specii diversificate și habitate complexe. Prin combinarea metodelor de învățare automată, precum spatiotemporal action CNNs și modelele de estimare a poziției, cercetătorii pot obține o viziune mai holistică asupra comportamentului animal în timp.
Într-un studiu recent publicat în revista Journal of Animal Ecology, cercetătorii au explorat utilizarea instrumentului de învățare automată DeepLabCut pentru analizarea datelor comportamentale ale animalelor sălbatice, în special primate precum cimpanzeii și bonobo-ii. Lucrarea a evidențiat provocările codificării și extragerii manuale a informațiilor comportamentale din înregistrările video, precum și potențialul învățării automate de a automatiza acest proces, reducând timpul și îmbunătățind fiabilitatea.
Lucrarea a furnizat detalii în profunzime cu privire la utilizarea DeepLabCut, inclusiv instalare și utilizare inițială, cerințe hardware, funcționalitățile GUI și considerațiile etice ale colectării datelor. S-a oferit, de asemenea, o descriere a criteriilor de selecție a videoclipurilor, dezvoltarea și antrenarea modelelor și evaluarea performanței.
Cu ajutorul DeepLabCut, cercetătorii au dezvoltat și testat modele pentru a urmări mișcările cimpanzeilor și bonobo-ilor sălbatici. Două modele au fost antrenate pe cadre video diferite, iar acuratețea lor în urmărirea mișcărilor primatelor a fost evaluată atât pe cadrele de test, cât și pe videoclipurile complet noi.
Evaluarea a arătat că ambele modele au prezentat o acuratețe sporită în marcarea punctelor cheie pe cadrele video în comparație cu codificatorii umani, cu Modelul 2 performând constant mai bine decât Modelul 1. Totuși, ambele modele au întâmpinat dificultăți în legarea eficientă a punctelor detectate, rezultând probleme în urmărirea în anumite videoclipuri.
În timp ce studiul a demonstrat potențialul DeepLabCut și al învățării automate în automatizarea analizei comportamentului primatei sălbatice, a evidențiat și necesitatea intervenției umane în corectarea erorilor și caracterul intensiv din punct de vedere temporal al dezvoltării modelelor. În ciuda acestor provocări, învățarea automată oferă perspective transformative în cercetarea comportamentală, subliniind necesitatea continuă a perfecționării sistemelor de urmărire a comportamentului detaliat în mediul natural.
The source of the article is from the blog j6simracing.com.br