論文の概要: A Review on Coarse to Fine-Grained Animal Action Recognition
- arxiv url: http://arxiv.org/abs/2506.01214v1
- Date: Sun, 01 Jun 2025 23:31:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 01:42:09.266976
- Title: A Review on Coarse to Fine-Grained Animal Action Recognition
- Title（参考訳）: 微粒動物行動認識における粗粒化の検討
- Authors: Ali Zia, Renuka Sharma, Abdelwahed Khamis, Xuesong Li, Muhammad Husnain, Numan Shafi, Saeed Anwar, Sabine Schmoelzl, Eric Stone, Lars Petersson, Vivien Rolland,
- Abstract要約: 動物行動認識の分野を概観し、粗粒(FGCG)と細粒(FGG)技術に注目した。
動物行動認識研究の現状を調べ、屋外環境における微妙な動物行動の認識に関連する固有の課題を解明する。
種間の行動分析の精度と一般化性を改善することを目的とした、きめ細かい行動認識の進歩に向けた今後の方向性を概説する。
- 参考スコア（独自算出の注目度）: 23.001797172183345
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This review provides an in-depth exploration of the field of animal action recognition, focusing on coarse-grained (CG) and fine-grained (FG) techniques. The primary aim is to examine the current state of research in animal behaviour recognition and to elucidate the unique challenges associated with recognising subtle animal actions in outdoor environments. These challenges differ significantly from those encountered in human action recognition due to factors such as non-rigid body structures, frequent occlusions, and the lack of large-scale, annotated datasets. The review begins by discussing the evolution of human action recognition, a more established field, highlighting how it progressed from broad, coarse actions in controlled settings to the demand for fine-grained recognition in dynamic environments. This shift is particularly relevant for animal action recognition, where behavioural variability and environmental complexity present unique challenges that human-centric models cannot fully address. The review then underscores the critical differences between human and animal action recognition, with an emphasis on high intra-species variability, unstructured datasets, and the natural complexity of animal habitats. Techniques like spatio-temporal deep learning frameworks (e.g., SlowFast) are evaluated for their effectiveness in animal behaviour analysis, along with the limitations of existing datasets. By assessing the strengths and weaknesses of current methodologies and introducing a recently-published dataset, the review outlines future directions for advancing fine-grained action recognition, aiming to improve accuracy and generalisability in behaviour analysis across species.
- Abstract（参考訳）: 本総説では, 粗粒度(CG)と細粒度(FG)技術に着目し, 動物行動認識の分野を深く探究する。
主な目的は、動物行動認識研究の現状を調べ、屋外環境における微妙な動物行動を認識することに関連する固有の課題を明らかにすることである。
これらの課題は、非剛体構造、頻繁な閉塞、大規模で注釈付きデータセットの欠如などの要因により、人間の行動認識で遭遇したものとは大きく異なる。
このレビューは、より確立された分野である人間の行動認識の進化を議論することから始まり、制御された環境における広範囲な粗い行動から、動的環境におけるきめ細かい認識への需要まで、どのように進展したかを強調した。
この変化は動物行動認識に特に関係しており、行動の多様性と環境の複雑さは、人間中心のモデルでは十分に対処できない固有の課題を提示する。
このレビューは、高い種内変異、非構造的データセット、および動物生息地の自然複雑さに重点を置いて、人間と動物の行動認識の重大な違いを強調している。
時空間ディープラーニングフレームワーク(例えば、SlowFast)のようなテクニックは、既存のデータセットの制限とともに、動物の行動分析における有効性を評価する。
最近の手法の強みと弱さを評価し、最近発表されたデータセットを導入することにより、種間での行動分析の精度と一般化性の向上を目的として、詳細な行動認識を促進するための今後の方向性を概説する。
関連論文リスト
- Categorical Keypoint Positional Embedding for Robust Animal Re-Identification [22.979350771097966]
動物再同定(ReID)は生態学研究において欠かせない道具となっている。
ヒトのReIDとは異なり、動物のポーズの多様性の高さ、環境条件の多様性、動物データに事前訓練されたモデルを直接適用できないことなど、動物ReIDは重大な課題に直面している。
本研究は,1つの注釈付き事前学習拡散モデルを用いたキーポイント伝搬機構を導入する。
論文 参考訳（メタデータ） (2024-12-01T14:09:00Z) - Animal Behavior Analysis Methods Using Deep Learning: A Survey [3.9086052572489653]
最先端のディープラーニングモデルは、様々な動物のデータの分類において顕著な精度を示している。
この論文は、動物行動研究の分野を前進させる可能性を秘めている深層学習における重要な研究方向に関する総合的な議論をまとめている。
論文 参考訳（メタデータ） (2024-05-22T21:17:54Z) - Computer Vision for Primate Behavior Analysis in the Wild [61.08941894580172]
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。
論文 参考訳（メタデータ） (2024-01-29T18:59:56Z) - Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。
データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。
我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
論文 参考訳（メタデータ） (2023-03-17T23:23:55Z) - 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) - Going Deeper than Tracking: a Survey of Computer-Vision Based
Recognition of Animal Pain and Affective States [1.993938356023085]
ますます多くの作品が追跡よりも「絶望的」になり、感情や痛みなどの動物の内的状態の自動認識に対処している。
本稿では,動物における情動状態と痛みの認識に関するコンピュータビジョンに基づく総合的な調査を行う。
論文 参考訳（メタデータ） (2022-06-16T18:50:02Z) - Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。
これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。
本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
論文 参考訳（メタデータ） (2021-12-13T17:11:32Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z)
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。