論文の概要: A Comparison of Deep Learning and Established Methods for Calf Behaviour Monitoring
- arxiv url: http://arxiv.org/abs/2408.13041v1
- Date: Fri, 23 Aug 2024 13:02:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 15:00:47.030114
- Title: A Comparison of Deep Learning and Established Methods for Calf Behaviour Monitoring
- Title(参考訳): カルフ行動モニタリングのための深層学習法と確立法の比較
- Authors: Oshana Dissanayake, Lucile Riaboff, Sarah E. McPherson, Emer Kennedy, Pádraig Cunningham,
- Abstract要約: 本報告では,動物活動の認知に関する福祉モニタリング支援研究について報告する。
このデータは、ホルスタインとジャージーの子牛が装着した首輪搭載加速度センサーから得られたものだ。
振る舞いの変化を検出する上で重要な要件は、アクティビティをクラスに分類できることである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, there has been considerable progress in research on human activity recognition using data from wearable sensors. This technology also has potential in the context of animal welfare in livestock science. In this paper, we report on research on animal activity recognition in support of welfare monitoring. The data comes from collar-mounted accelerometer sensors worn by Holstein and Jersey calves, the objective being to detect changes in behaviour indicating sickness or stress. A key requirement in detecting changes in behaviour is to be able to classify activities into classes, such as drinking, running or walking. In Machine Learning terms, this is a time-series classification task, and in recent years, the Rocket family of methods have emerged as the state-of-the-art in this area. We have over 27 hours of labelled time-series data from 30 calves for our analysis. Using this data as a baseline, we present Rocket's performance on a 6-class classification task. Then, we compare this against the performance of 11 Deep Learning (DL) methods that have been proposed as promising methods for time-series classification. Given the success of DL in related areas, it is reasonable to expect that these methods will perform well here as well. Surprisingly, despite taking care to ensure that the DL methods are configured correctly, none of them match Rocket's performance. A possible explanation for the impressive success of Rocket is that it has the data encoding benefits of DL models in a much simpler classification framework.
- Abstract(参考訳): 近年,ウェアラブルセンサのデータを用いた人間の行動認識の研究が著しく進展している。
この技術は家畜科学における動物福祉の文脈にも可能性を持っている。
本稿では,動物活動の認識に関する研究について報告する。
このデータは、ホルスタインとジャージーの子牛が装着した首輪に装着した加速度センサーが、病気やストレスを示す行動の変化を検出することを目的としている。
行動の変化を検出する上で重要な要件は、飲酒、ランニング、ウォーキングなどのクラスにアクティビティを分類できることである。
機械学習の用語では、これは時系列分類のタスクであり、近年ではRocketファミリーの手法がこの分野の最先端技術として登場している。
私たちは30匹の子牛から27時間以上のラベル付き時系列データを収集しています。
このデータをベースラインとして使用し、6クラスの分類タスクでRocketのパフォーマンスを示す。
そして,これを時系列分類の有望な手法として提案されている11のディープラーニング(DL)手法の性能と比較した。
関連分野におけるDLの成功を考えると、これらの手法もここでもうまく機能することが期待できる。
驚いたことに、DLメソッドが正しく設定されていることを保証するために注意を払っているにもかかわらず、どちらもRocketのパフォーマンスにマッチしない。
Rocketが素晴らしい成功を収めた理由の1つとして、より単純な分類フレームワークにおいて、DLモデルのデータをエンコーディングする利点がある、という説明がある。
関連論文リスト
- Granularity Matters in Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳(メタデータ) (2024-10-21T13:06:21Z) - Accelerometer-Based Multivariate Time-Series Dataset for Calf Behavior Classification [0.7366868731714773]
このデータセットは、アクセラレーション時系列から、事前に織り込まれたふくらはぎの振る舞いを分類するための、使用可能なデータセットである。
乳牛30頭には、生後1週間から13週間、ネックカラーに取り付けられた3D加速度センサーが装着された。
論文 参考訳(メタデータ) (2024-08-20T08:11:54Z) - Evaluating ROCKET and Catch22 features for calf behaviour classification from accelerometer data using Machine Learning models [0.7366868731714773]
アイルランドのホルスタイン・フリーシアンとジャージーの30頭が加速度センサで監視され、27.4時間の注釈付き行動が可能となった。
手作りの機能は機械学習モデルで一般的に使用されるが、ROCKETとCatch22は時系列分類問題のために特別に設計されている。
本研究の目的は,ROCKETとCatch22の機能とハンドクラフト機能の比較である。
論文 参考訳(メタデータ) (2024-04-28T12:23:01Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳(メタデータ) (2023-12-14T13:47:13Z) - A benchmark for computational analysis of animal behavior, using animal-borne tags [0.6055654308018396]
行動アノテーション付きデータセットの集合であるBio-logger Ethogram Benchmark (BEBE)について述べる。
生物ログデータに基づく動物行動同定のための深層・古典的機械学習手法の性能の比較を行った。
論文 参考訳(メタデータ) (2023-05-18T06:20:45Z) - Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。
我々のアプローチは、意図をモデル化することで受動的データから学習する。
実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
論文 参考訳(メタデータ) (2023-04-10T17:59:05Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳(メタデータ) (2022-11-17T23:55:12Z) - HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly
Unlabeled Mobile Sensor Data [61.79595926825511]
正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。
本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。
Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
論文 参考訳(メタデータ) (2022-03-07T01:23:46Z) - A Novel Skeleton-Based Human Activity Discovery Technique Using Particle
Swarm Optimization with Gaussian Mutation [0.0]
人間の活動発見は、各活動の定義に関する事前情報なしで、人間が行う活動を区別することを目的としている。
本稿では,3次元骨格配列における人間の活動探索を行うために,新しい非教師的手法を提案する。
3つのデータセットについて実験を行い,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2022-01-14T06:28:38Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳(メタデータ) (2020-02-11T21:08:06Z) - Machine learning approaches for identifying prey handling activity in
otariid pinnipeds [12.814241588031685]
本稿では,アザラシの捕食行動の同定に焦点をあてる。
考慮すべきデータは、アザラシに直接取り付けられたデバイスによって収集された3D加速度計と深度センサーのストリームである。
機械学習(ML)アルゴリズムに基づく自動モデルを提案する。
論文 参考訳(メタデータ) (2020-02-10T15:30:08Z)
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。