Η κατανόηση του πως αλληλεπιδρούν τα ζώα με το περιβάλλον τους και μεταξύ τους αποτελεί κρίσιμης σημασίας θέμα στην συμπεριφορική έρευνα. Ενώ η κωδικοποίηση βίντεο είναι μια προτιμώμενη μέθοδος για τη συλλογή λεπτομερών δεδομένων συμπεριφοράς, η χειροκίνητη εξαγωγή πληροφοριών από εκτενές υλικό είναι χρονοβόρα και απαιτεί σημαντική εκπαίδευση.
Ευτυχώς, ο προσαρμοσμένος μάθητης έχει αναδειχθεί ως λύση για την αυτοματοποίηση της εξαγωγής δεδομένων και τη βελτίωση της αποδοτικότητας διατηρώντας παράλληλα την αξιοπιστία. Αυτή η τεχνολογία έχει επιτύχει να αναγνωρίσει είδη, ατομικά ζώα και συγκεκριμένες συμπεριφορές σε βίντεο, μεταμορφώνοντας τη συμπεριφορική έρευνα μέσω της παρακολούθησης ειδών σε υλικό που είναι γραμμικά παγίδες κάμερας και της αναγνώρισης των ζώων σε πραγματικό χρόνο.
Ωστόσο, εξακολουθούν να υπάρχουν προκλήσεις στην παρακολούθηση λεπτών συμπεριφορών, ειδικά σε άγρια περιβάλλοντα. Ενώ οι υπάρχουσες εργαλειοθήκες προσαρμοσμένου μάθητη ξεχωρίζουν σε ελεγχόμενες ρυθμίσεις, πρόσφατη πρόοδος υποδεικνύει την ικανότητά τους να επεκταθούν σε διάφορα είδη και πολύπλοκα οικοσυστήματα. Μέσω της συνδυασμένης χρήσης τεχνικών προσαρμοσμένου μάθητη όπως οι χώρο-χρονικές δράσεις CNNs και τα μοντέλα εκτίμησης σχηματισμού, οι ερευνητές μπορούν να αποκτήσουν μια πιο ολιστική αντίληψη της συμπεριφοράς των ζώων με την πάροδο του χρόνου.
Σε μια πρόσφατη μελέτη που δημοσιεύθηκε στο περιοδικό “Οικολογία Ζώων”, οι ερευνητές εξέτασαν τη χρήση του εργαλείου προσαρμοσμένου μάθητη DeepLabCut για την ανάλυση συμπεριφορικών δεδομένων από άγρια ζώα, ειδικότερα πρωτεύοντες σιμιάνους όπως οι χιμπατζήδες και οι μπονόμποι. Η εργασία υπογράμμισε τις προκλήσεις της χειροκίνητης κωδικοποίησης και εξαγωγής πληροφοριών συμπεριφοράς από βίντεο, καθώς και τη δυνατότητα του προσαρμοσμένου μάθητη να αυτοματοποιήσει αυτήν τη διαδικασία, μειώνοντας τον χρόνο και βελτιώνοντας την αξιοπιστία.
Η εργασία παρείχε λεπτομερείς πληροφορίες για τη χρήση του DeepLabCut, συμπεριλαμβανομένης της εγκατάστασης και της αρχικής χρήσης, των απαιτήσεων υλικού, των λειτουργιών του γραφικού περιβάλλοντος και των ηθικών ζητημάτων της συλλογής δεδομένων. Επίσης, περιέγραψε τα κριτήρια επιλογής των βίντεο, την ανάπτυξη και εκπαίδευση των μοντέλων, καθώς και τις αξιολογήσεις απόδοσης.
Χρησιμοποιώντας το DeepLabCut, οι ερευνητές ανέπτυξαν και δοκίμασαν μοντέλα για να παρακολουθήσουν τις κινήσεις άγριων χιμπατζήδων και μπονόμπων. Δύο μοντέλα εκπαιδεύθηκαν σε διάφορα καρέ βίντεο και η ακρίβειά τους στην παρακολούθηση των κινήσεων των πρωτεύοντων ελέγχθηκε σε δοκιμαστικά καρέ και ολοκληρωτικά νέα βίντεο.
Η αξιολόγηση έδειξε ότι και τα δύο μοντέλα εμφάνισαν αυξημένη ακρίβεια στο σημείωμα βασικών σημείων σε καρέ βίντεο σε σχέση με ανθρώπινους κωδικοποιητές, με το Μοντέλο 2 να υπερτερεί συνεχώς του Μοντέλου 1. Ωστόσο, και τα δύο μοντέλα αντιμετώπισαν δυσκολίες στην αποτελεσματική σύνδεση των εντοπισμένων σημείων, με αποτέλεσμα προβλήματα παρακολούθησης σε συγκεκριμένα βίντεο.
Παρότι η μελέτη απέδειξε τη δυνατότητα του DeepLabCut και του προσαρμοσμένου μάθητη στην αυτοματοποίηση της ανάλυσης της συμπεριφοράς άγριων πρωτεύοντων, υπογράμμισε επίσης την ανάγκη ανθρώπινης παρέμβασης στη διόρθωση σφαλμάτων και τον χρονοβόρο χαρακτήρα της ανάπτυξης μοντέλων. Παρά τις προκλήσεις αυτές, ο προσαρμοσμένος μάθητης προσφέρει μεταστροφικές δυνατότητες στη συμπεριφορική έρευνα, τονίζοντας τη συνεχή ανάγκη για βελτίωση σε συστήματα παρακολούθησης λεπτών συμπεριφορών σε φυσικές ρυθμίσεις.
The source of the article is from the blog foodnext.nl