使用基于时间相对注意力机制的深度学习自动识别松鼠的行为
Kai Wang1, Pengfei Hou1,2, Xuelin Xu1
1Guangdong Provincial Key Laboratory of Silviculture, Protection and Utilization, Guangdong Academy of Forestry, Guangzhou 510520, China.
Animals : an open access journal from MDPI
|April 13, 2024
概括
一个新的深度学习系统,松鼠繁殖注意力和转移网络 (PBATn),准确地监测松鼠繁殖行为. 这项技术通过提高临灭绝的鱼的人工繁殖成功率,有助于保护工作.
科学领域:
- 动物学和动物行为.
- 计算机科学和人工智能 人工智能
- 保护生物学 保护生物学
背景情况:
- 鱼种群的数量正在下降,这使得囚禁繁殖对物种生存至关重要.
- 目前的人工繁殖的成功受限于对松鼠繁殖行为缺乏了解.
- 机器视觉提供非侵入性,持续的监测,以减少动物的压力和收集行为数据.
研究的目的:
- 开发和评估一种深度学习模型,用于监测和识别鱼的行为,包括繁殖和日常活动.
- 建立一个时间关系和注意力机制网络 (PBATn) 进行增强的行为分析.
- 通过更好地了解松鼠繁殖来支持保护工作的工具.
主要方法:
- 采用了11476个视频的数据集,这些视频展示了松鼠的繁殖和日常行为.
- 拟议的鱼繁殖注意力和转移网络 (PBATn) 接受了培训和验证.
- 该PBATn模型与SlowFast,X3D,TANet和TSN等既有方法进行了测试,使用mAP,准确性,回忆,特异性和F1得分等指标.
主要成果:
- PBATn模型实现了高精度 (98.95%的训练,96.11%的验证) 和低损失值.
- 在测试组中,PBATn表现出比基线模型更好的性能,mAP为97.50%,平均准确率为99.17%.
- 追逐和安装等特定的繁殖行为被识别得非常准确 (分别为94.00%和98.50%).
结论:
- PBATn深度学习系统准确地监测鱼的繁殖行为,优于现有的方法.
- 这项技术可以显著帮助分析鱼的行为,为保护策略做出贡献.
- 该系统的有效性支持人工智能在野生动物保护和养殖计划中的潜力.
