动物行为计算分析的基准,使用动物传播的标签
Benjamin Hoffman1, Maddie Cusimano2, Vittorio Baglione3
1Earth Species Project, Berkeley, CA, USA. benjamin@earthspecies.org.
Movement ecology
|December 19, 2024
概括
深度学习模型擅长从生物记录器数据中分析动物行为,优于传统方法. 自主监督学习显得有前途,特别是在有限的数据下,推进了动物行为研究.
科学领域:
- * 生态生理学和保护科学.
- *生物记录和动物行为分析.
- * 机器学习在野生动物研究中的应用.
背景情况:
- * 动物传递的传感器 (生物记录器) 产生了大量的动力学和环境数据,这些数据对于了解动物生理学和保护至关重要.
- *机器学习 (ML) 对于解释生物日志记录器数据至关重要,但缺乏用于比较ML技术的标准化框架.
- * 这阻碍了有效的ML策略的识别和生物日志数据分析新方法的评估.
研究的目的:
- * 引入生物记录器民族图标基准 (BEBE),这是一个全面的资源,用于评估动物行为分析中的ML技术.
- * 建立一个标准化的平台来比较使用生物记录器数据的各种ML模型的性能.
- * 促进野生动物研究中开发和采用有效的ML方法.
主要方法:
- * 开发了生物记录器以图谱基准 (BEBE),包括9个种类的1654小时的注释数据.
- * 深度学习和经典机器学习方法的比较,用于使用生物记录器数据对动物行为进行分类.
- * 应用和测试自主监督学习方法,适应深度神经网络预先训练在人类运动数据.
主要成果:
- * 深度神经网络在BEBE基准数据集中的所有9个数据集中显著优于经典的ML方法.
- *自主监督学习与其他方法相比,表现优越,特别是在数据不足的情况下.
- * 这项研究提供了实证证据,证明了深度学习在生物日志记录器数据分析中的有效性.
结论:
- * BEBE为评估和指导选择用于生物日志记录器数据分析的ML技术提供了一个强大的框架.
- *研究结果表明,深度学习和自我监督的方法对于从传感器数据中推断动物行为是非常有效的.
- *公开可用的数据集,模型和代码 (https://github.com/earthspecies/BEBE) 促进了社区驱动的领域进步.
