論文の概要: Automated Behavioral Analysis Using Instance Segmentation

• arxiv url: http://arxiv.org/abs/2312.07723v1
• Date: Tue, 12 Dec 2023 20:36:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:35:40.352465
• Title: Automated Behavioral Analysis Using Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションを用いた自動行動分析
• Authors: Chen Yang, Jeremy Forest, Matthew Einhorn, Thomas A. Cleland
• Abstract要約: 動物行動分析は、生命科学や生物医学研究など、様々な分野で重要な役割を果たしている。 利用可能なデータの不足とラベル付きデータセットの大量取得に伴う高コストが大きな課題となっている。 本稿では,これらの問題に対処するために,インスタンスセグメンテーションに基づくトランスファー学習を活用する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.043437148047176
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Animal behavior analysis plays a crucial role in various fields, such as life science and biomedical research. However, the scarcity of available data and the high cost associated with obtaining a large number of labeled datasets pose significant challenges. In this research, we propose a novel approach that leverages instance segmentation-based transfer learning to address these issues. By capitalizing on fine-tuning the classification head of the instance segmentation network, we enable the tracking of multiple animals and facilitate behavior analysis in laboratory-recorded videos. To demonstrate the effectiveness of our method, we conducted a series of experiments, revealing that our approach achieves exceptional performance levels, comparable to human capabilities, across a diverse range of animal behavior analysis tasks. Moreover, we emphasize the practicality of our solution, as it requires only a small number of labeled images for training. To facilitate the adoption and further development of our method, we have developed an open-source implementation named Annolid (An annotation and instance segmentation-based multiple animal tracking and behavior analysis package). The codebase is publicly available on GitHub at https://github.com/cplab/annolid. This resource serves as a valuable asset for researchers and practitioners interested in advancing animal behavior analysis through state-of-the-art techniques.
• Abstract（参考訳）: 動物行動分析は生命科学や生物医学研究など様々な分野において重要な役割を担っている。 しかし、利用可能なデータの不足とラベル付きデータセットの大量取得に伴う高コストが大きな課題となっている。 本研究では,これらの問題に対処するために,インスタンスセグメンテーションに基づく転送学習を利用する新しい手法を提案する。 インスタンスセグメンテーションネットワークの分類ヘッドを微調整することにより,複数の動物を追跡し,実験映像における行動解析を容易にする。 本手法の有効性を実証するために,様々な動物行動分析タスクにおいて,人間の能力に匹敵する優れた性能レベルを達成できることを示す実験を行った。 さらに,学習には少数のラベル付き画像しか必要としないため,本ソリューションの実用性を強調した。 本手法の採用とさらなる開発を容易にするため,我々はannolid(アノテーションおよびインスタンスセグメンテーションに基づく複数動物追跡および行動分析パッケージ)というオープンソース実装を開発した。 コードベースはgithubのhttps://github.com/cplab/annolid.comで公開されている。 この資源は、最先端技術による動物行動分析に興味を持つ研究者や実践者にとって貴重な資産である。

関連論文リスト

• Annolid: Annotate, Segment, and Track Anything You Need [2.0517786943861376]
  Annolidは、ビデオファイル内の研究対象のセグメンテーション、ラベル付け、追跡のために設計されたソフトウェアパッケージである。 最先端のインスタンスセグメンテーションメソッドに基づいて、AnnolidはCutieビデオオブジェクトセグメンテーションモデルを利用している。 Segment Anything と Grounding-DINO の戦略を統合することで、認識可能な動物や物体の自動マスキングとセグメンテーションをテキストコマンドで実現する。
  論文  参考訳（メタデータ） (2024-03-27T15:41:23Z)
• Computer Vision for Primate Behavior Analysis in the Wild [60.937374400311256]
  ビデオに基づく行動監視は、動物の認知と行動を研究する方法を変える大きな可能性を秘めている。 今でも、エキサイティングな見通しと、今日実際に達成できるものの間には、かなり大きなギャップがある。 まず、動物行動のビデオベース研究に直接関係するコンピュータビジョン問題に対する最先端の手法の調査から始める。 次に,実践的な観点からの最大の課題のひとつとして,作業効率のよい学習方法についてレビューする。
  論文  参考訳（メタデータ） (2024-01-29T18:59:56Z)
• CNN-Based Action Recognition and Pose Estimation for Classifying Animal Behavior from Videos: A Survey [0.0]
  アクション認識(Action Recognition)は、1つ以上の被験者がトリミングされたビデオで行う活動の分類であり、多くの技術の基礎を形成する。 人間の行動認識のためのディープラーニングモデルは、過去10年間に進歩してきた。 近年,深層学習に基づく行動認識を取り入れた研究への関心が高まっている。
  論文  参考訳（メタデータ） (2023-01-15T20:54:44Z)
• Review on Social Behavior Analysis of Laboratory Animals: From Methodologies to Applications [0.0]
  従来の視覚的手法,統計的手法,深層学習手法を網羅し,多様な行動検出アルゴリズムを探索する。 本研究の目的は、動物行動の効率的な検出方法のひっかき傷を生物学者に与え、関連する研究を徹底的に調査することである。
  論文  参考訳（メタデータ） (2022-06-25T13:40:35Z)
• Animal Kingdom: A Large and Diverse Dataset for Animal Behavior Understanding [4.606145900630665]
  大規模で多様なデータセットであるAnimal Kingdomを作成し、複数の注釈付きタスクを提供します。 私たちのデータセットには、関連する動物行動セグメントをローカライズする50時間のアノテーション付きビデオが含まれています。 本研究では,未確認新種動物を用いた行動認識の一般的な特徴と特定の特徴を学習する協調行動認識(CARe)モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T02:05:15Z)
• SuperAnimal pretrained pose estimation models for behavioral analysis [42.206265576708255]
  行動の定量化は神経科学、獣医学、動物保護活動など様々な応用において重要である。 我々は、SuperAnimalと呼ばれる新しい手法で統一基盤モデルを開発するための一連の技術革新を提案する。
  論文  参考訳（メタデータ） (2022-03-14T18:46:57Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Extending and Analyzing Self-Supervised Learning Across Domains [50.13326427158233]
  近年,自己指導型表現学習が目覚ましい成果を上げている。 実験は主にImageNetや他の同様の大規模なインターネット画像データセット上で行われる。 我々は、前例のない様々なドメインで、いくつかのポピュラーな手法を実験した。
  論文  参考訳（メタデータ） (2020-04-24T21:18:02Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。