隐藏的光标签的大规模捕获用于训练可泛化无标记运动捕获模型
Daniel J Butler1, Alexander P Keim1, Shantanu Ray1
1Molecular Neurobiology Laboratory, Salk Institute for Biological Studies, 10010 N. Torrey Pines Road, La Jolla, CA, 92037, USA.
Nature communications
|September 26, 2023
概括
GlowTrack为动物行为跟踪模型生成了广泛的训练数据. 这种方法提高了模型在各种实验环境中的通用性,改进了运动分析.
科学领域:
- 伦理学 伦理学 伦理学
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 深度学习可以实现无标记动物行为跟踪,但模型往往缺乏通用性.
- 手动注释数据是耗时的,限制了里程碑标签,并需要重新培训新的环境.
- 目前的方法导致奇特的动力学数据分析和稀疏的地标跟踪.
研究的目的:
- 开发一种新的方法,GlowTrack,用于生成大规模的训练数据,以提高动物行为跟踪模型的通用性.
- 为了实现大量地标的密集跟踪并行,克服稀疏的手动注释的局限性.
- 建立标准化行为分析管道的基础.
主要方法:
- 使用光标记器生成隐藏标签的高通量方法.
- 一个多摄像头,多光系统来模拟不同的视觉条件和增强模型的强度.
- 一种用于密集跟踪应用的并行标记标记技术.
主要成果:
- 通过GlowTrack,培训数据生成的数量增加了数量级.
- 该方法促进了在不同实验设置和视觉环境中概括的模型的开发.
- 多个地标的密集跟踪变得可行,提供更全面的移动数据.
结论:
- 通过解决模型通用性和数据注释限制,GlowTrack显著推进了无标记动物行为跟踪.
- 开发的方法支持创建标准化的行为分析管道.
- 这项工作通过密集的,通用的跟踪来促进对动物运动的更彻底的审查.
