基于MacqD深度学习的模型,用于自动检测社会住房实验室

科学领域:

• 计算机视觉 计算机视觉
• 动物行为分析 动物行为分析
• 机器学习 机器学习

背景情况:

• 目前基于视频的行为分析模型在具有挑战性的实验室环境中难以检测.
• 限制包括遮蔽,玻璃反射和动物住房中常见的照明变化.
• 对于研究应用,需要强大的探测系统.

研究的目的:

• 开发和评估MacqD,这是一种用于准确检测的新型深度学习模型.
• 在Mask R-CNN框架内使用SWIN变压器骨干来增强基于注意力的特征提取.
• 评估MacqD在复杂的实验室条件下对现有模型的性能.

主要方法:

• 开发了MacqD,这是一个修改后的Mask R-CNN模型,配有SWIN变压器骨干.
• 在纽卡斯尔大学收集和分析了20只子里的 rhesus macaques 的视频.
• 用F1分数比较MacqD的性能与之前存在的发现模型.

主要成果:

• MacqD的F1得分中位数为99%的单一子和90%的两个子在焦点子.
• 对新的概括测试产生了F1中位数95% (单个) 和81% (两个).
• MacqD表现出强大的概括能力,在来自另一个设施的配对上获得了90%的F1得分.

结论:

• 在复杂的实验室环境中,MacqD在检测子方面显著优于现有的模型.
• 该模型在诸如遮蔽和反射等具有挑战性的条件下表现出强大的性能.
• 在不同环境和群体中,MacqD显示出强大的概括能力.