使用双向细分与对象级内存的双向细分来进行身份稳定的多动物跟踪

科学领域:

• 伦理学 伦理学 伦理学
• 计算生物学 计算生物学
• 神经科学是一个神经科学.

背景情况:

• 准确跟踪动物行为对于理解社会动态和神经机制至关重要.
• 目前的姿势估计方法在保持一致的身份跟踪方面面临挑战,特别是在复杂的社会互动期间.
• 在长期追踪动物中手动纠正身份错误是非常昂贵和耗时的.

研究的目的:

• 开发和验证用于双向视频对象分割 (VOS) 的新型管道,以纠正动物跟踪中的身份交换.
• 为了减少在姿势估计数据中对身份纠正所需的手动注释工作.
• 为了实现可扩展,长期和身份错误的无标记动物在群组设置中的跟踪.

主要方法:

• 使用了具有多时间尺度内存的最先进的VOS算法 (Cutie).
• 实现双向推断 (前向和反向) 来比较细分面具.
• 识别并标记局部的不同意见区域,以便有效的手动审查.

主要成果:

• 与标准的姿势估计工作流相比,身份交换减少了两倍.
• 实现了无错误的身份细分口罩和对齐的关键点,检查了<0.3%的.
• 证明了对涉及三种或更多动物的社会相互作用的可扩展性.

结论:

• 开发的VOS管道为长期跟踪自然群体环境中的未标记动物提供了实用且可扩展的解决方案.
• 这种方法显著降低了研究人员研究社会行为的障碍,使得更全面,更准确的分析.
• 提供了可访问的图形用户界面,以促进研究界的普遍采用.