在视频中通过轨道集群重新识别动物
Francis J Williams1, Samuel L Hennessey1, Ludmila I Kuncheva1
1School of Computer Science and Engineering, Bangor University, Dean Street, Bangor, Gwynedd LL57 1UT UK.
Pattern analysis and applications : PAA
|June 23, 2025
概括
视频中的自动动物重新识别通过新的基于分类的集群 (CBC) 方法得到了改进. 这种方法增强了追踪数据,以更好地监测动物,优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 动物行为分析.
- 机器学习 机器学习
背景情况:
- 从视频中自动重新识别动物对于监控至关重要.
- 多重对象跟踪 (MOT) 独自在准确的重新识别方面存在局限性.
- 现有的动物数据集不足以训练先进的传统集群模型.
研究的目的:
- 为视频数据开发一种有效的自动化动物重新识别方法.
- 通过一种新的集群方法来增强多重对象跟踪 (MOT).
- 为了解决小型动物数据集的局限性,用于传统的集群.
主要方法:
- 提出一种针对动物重新识别的基于分类的聚类 (CBC) 方法.
- 使用轨道标签和时间约束来训练每个视频数据集的定制模型.
- 将CBC的性能与单独的MOT和13种替代集群方法进行比较.
主要成果:
- 与单独使用追踪结果相比,拟议的CBC方法显著改善了动物的重新识别.
- 当应用到跟踪数据时,CBC的性能优于13种替代集群方法.
- 定制模型培训方法有效地适应不同的视频数据集.
结论:
- 基于分类的集群 (CBC) 提供了一个强大的解决方案,用于视频中的自动化动物重新识别.
- 对于具有有限训练数据的数据集,CBC方法提供了可行的替代方案.
- 这种方法提高了动物监测系统的准确性和效率.
更多相关视频
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
6.9K
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.1K
