拼图:将牲畜跟踪带到下一个层次

科学领域:

• 动物行为研究研究动物行为研究
• 计算机视觉在动物科学中的应用.
• 用于畜牧管理的人工智能

背景情况:

• 了解动物行为对于健康和福利管理至关重要.
• 由人工智能驱动的摄像头系统提供了对活动和空间利用等特征的非侵入性监控.
• 一个关键的挑战是个性化动物数据,称为多重对象跟踪问题.

研究的目的:

• 为动物行为分析中的多重对象跟踪问题引入一种基于人工智能的新型解决方案"拼图".
• 训练一个卷积神经网络 (CNN) 来获得动物外观线索,并将检测与个人ID联系起来.
• 评估"拼图"方法在户外山羊跟踪中的有效性及其对行为研究的影响.

主要方法:

• "拼图"方法从简单的视频序列开始,以训练CNN了解动物外观.
• 训练有素的CNN应用于整个视频,结合距离指标,用于强大的动物识别.
• 评估涉及户外山羊跟踪,分析ID关联标准 (位置,外观或两者兼而有之),以及对空间利用和活动估计的影响.

主要成果:

• "拼图"方法在户外山羊场景中实现了90%以上的成功跟踪.
• 仅依靠基于外表的跟踪,在调整CNN之后,产生了令人满意的结果.
• 行为估计 (空间利用,活动) 显示出低误差率,低于10%.

结论:

• "拼图"范式为动物行为研究中的多重对象跟踪挑战提供了有效的解决方案.
• 将基于外观的CNN定制为特定的视频数据是准确的动物个性化的可行策略.
• 该方法的开源性质和相关的数据文件促进了畜牧研究深度学习的可访问性和进步.