非洲大象 (Loxodonta africana) 的行为编码:利用DeepLabCut和Create ML进行夜间活动跟踪
Silje Marquardsen Lund1, Jonas Nielsen1, Frej Gammelgård1
1Department of Chemistry and Bioscience, Aalborg University, Frederik Bajers Vej 7H, 9220 Aalborg, Denmark.
Animals : an open access journal from MDPI
|October 16, 2024
概括
机器学习模型可以自动化像非洲大象 (Loxodonta africana) 等动物的行为分析. 虽然对于简单的行为是有效的,但复杂的行为需要进一步开发模型来实现完全的自动化.
科学领域:
- 伦理学 伦理学 伦理学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 自动行为分析对于大规模的伦理学研究至关重要.
- 机器学习为客观和高效的行为编码提供了潜力.
- 以前的方法依赖于手动观察,这耗时且容易产生偏见.
研究的目的:
- 评估机器学习模型 (DeepLabCut,Create ML) 对于自动化动物行为分析的有效性.
- 将机器学习模型的准确性与手动行为评分进行比较.
- 应用验证的模型来分析非洲大象 (Loxodonta africana) 的夜间行为.
主要方法:
- 使用DeepLabCut和Create ML开发了两种不同复杂度的机器学习模型.
- 通过与人类得分的行为数据进行比较,验证模型准确性.
- 应用模型来分析七个晚上的两头非洲大象的视频录像.
主要成果:
- 机器学习模型在跟踪简单的行为方面取得了高准确性.
- 模型在检测复杂的行为方面表现出局限性,例如刻板印象的摇摆.
- 在视觉上相似的行为之间观察到混乱,影响了分类准确性.
结论:
- 机器学习模型在帮助行为分析和自动化编码方面表现有前途.
- 需要进一步改进,以改善复杂和细微的行为检测.
- 这些工具可以为个人之间的行为差异以及不同观察期的行为差异提供有价值的见解.
