通过深度学习和跨物种转移学习,自动识别危海的行为
Lorène Jeantet1,2,3, Kukhanya Zondo1, Cyrielle Delvenne4
1African Institute for Mathematical Sciences, Muizenberg, Cape Town, 7945, South Africa.
The Journal of experimental biology
|November 18, 2024
概括
转移学习提高了使用加速度计数据对临灭绝的海进行行为分类的准确性. 这种方法适应了对其他物种或活动进行培训的模型,克服了野生动物监测数据的稀缺性.
科学领域:
- 生态生态学 生态生态学
- 动物行为 动物行为
- 机器学习 机器学习
背景情况:
- 加速度计可以远程监测动物的姿势和运动,用于行为分析.
- 深度学习提供了自动化分析,但由于生态研究中的数据稀缺,面临着挑战.
研究的目的:
- 探索转移学习,从极度危的海 (Eretmochelys imbricata) 的加速仪数据中对行为进行分类.
- 评估在绿色海 (Chelonia mydas) 和人类活动数据上训练的模型的适应效率.
主要方法:
- 运用转移学习 (Utilized transfer learning) 是一种在一项任务中训练的模型在相关任务中重新使用的技术.
- 将一个预先训练在绿数据上的模型和另一个在人类活动数据上的模型应用于鱼的加速数据.
- 分类行为包括游泳,休息和食.
主要成果:
- 从绿数据中转移学习导致F1得分提高了8%.
- 从人类活动数据转移学习的结果是F1得分提高了4%.
- 证明了现有模型对新研究物种的适应性.
结论:
- 转移学习是一种可行的方法,可以通过使用加速度计来克服野生动物行为分析中的数据稀缺性.
- 这种方法使研究人员能够利用深度学习来监测危物种.
- 扩大加速度计的应用范围,用于更广泛的野生动物监测工作.
