对于行为科学中的骨架数据 (DISK) 进行深度推断

科学领域:

• 动物行为研究研究动物行为研究
• 生物机械分析分析
• 机器学习应用程序 机器学习应用程序

背景情况:

• 量化动物动力学测量对于行为研究至关重要.
• 姿势估计和运动捕捉系统中的跟踪错误通常使实验数据无法使用.
• 缺少数据的手动注释是劳动密集型的,对于大型数据集来说不切实际.

研究的目的:

• 开发一种深度学习方法,用于将失踪动物的姿势数据归因于没有手动注释的数据.
• 通过恢复无法使用的追踪数据来改进动物行为实验的分析.
• 创建适用于各种跟踪方法和下游分析的多功能工具.

主要方法:

• 开发了骨架数据 (DISK) 的深度推算,这是一个深度学习模型.
• 利用关键点的依赖性和动态来归纳缺失的骨架数据.
• 在七个不同的动物骨上验证了DISK,包括多种动物场景.

主要成果:

• DISK成功地在各种动物模型和多动物设置中归因了缺失的跟踪数据.
• 导入的数据使得能够检测到更多的运动情节 (例如,步骤),并提高了统计的可靠性.
• 该方法学习了有意义的数据表示,捕获了动物的基本行为.

结论:

• DISK提供了一种强大的,自动化解决方案,用于处理动物姿势估计中缺少的数据.
• 归算包提高了动物行为研究的可靠性和范围.
• DISK是一个有价值的,开源工具,用于研究人员利用运动捕捉和姿势估计技术.