Dec, 2023

利用实例分割进行自动行为分析

PDF
TL;DR利用基于实例分割的迁移学习的方法实现动物行为分析，能够跟踪多个动物并在实验室录制的视频中进行行为分析，其在动物行为分析任务中达到了人类能力水平，使用少量标记图像进行训练，可用于推进动物行为分析技术的研究和实践。
animal behavior analysisinstance segmentation-based transfer learninglaboratory-recorded videosanimal trackingbehavior analysis tasks
发现论文，激发创造
  • Annolid：注释、分割和追踪您所需的任何对象

    Annolid 是一个基于深度学习的软件包，专为视频文件中的研究目标进行分割、标记和跟踪而设计，主要关注动物行为分析。

    Mar, 2024

  • 猪体全景实例分割

    通过计算机视觉技术中基于深度学习的实例分割方法来对猪进行像素级别的精准分割，从而获取更多的信息，例如大小或重量；该方法在包括遮挡和脏镜头在内的各种干扰下，以约 95％的检测率（F1 得分）在 1000 张手动标记的图像数据集上进行了测试。

    May, 2020

  • 野生动物团体行为识别框架

    本研究提出了一种基于序列分析方法对野生动物数据进行行为注释，特别是对社会群体的集体行为进行分类的方法，并在真实数据集上进行了评估，显示出相比基线方法显著的准确度提高。

    Jul, 2019

  • 一种自监督方法用于大鼠图像的身体部位分割与关键点检测

    通过计算机视觉方法和深度神经网络，本文提出了一种能够解决个体组件识别、关键点检测和行为分析的系统，并且不受对象遮挡的影响，从而摆脱了对实验室动物手动标注的需求。

    May, 2024

  • 超级动物模型：为动物行为分析预训练的即插即用模型

    SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案，使用深度学习技术自动提取关键点，无需人工标记，并可应用于超过 45 种物种。

    Mar, 2022

  • 无需视频注释学习实例跟踪

    本文介绍了一种利用标记图像数据和未标记视频序列学习实例跟踪网络的半监督框架，采用实例对比目标，利用学习的嵌入区分每个实例并在不同帧之间稳定地跟踪对象，并且将此模块集成到单阶段实例分割和姿态估计框架中，较之两阶段网络显著降低了跟踪的计算复杂度。无需任何视频标注努力，我们的方法可达到与大多数完全监督方法相当甚至更好的性能。

    Apr, 2021

  • 基于深度主动学习框架的生物医学图像分割建议性标注

    本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

    Jun, 2017

  • OoDIS：异常实例分割基准

    自主车辆需要准确理解其环境以安全导航。通过识别未知物体，特别是那些在训练过程中不存在的野生动物，以防止严重事故的发生非常重要。虽然语义分割方法在异常物体的识别方面取得了重大进展，但全面理解场景动态需要分割单个物体，因此实例分割至关重要。然而，由于缺乏专门的基准测试，这一领域的发展一直滞后。为了填补这一空白，我们将最常使用的异常分割基准测试扩展到实例分割任务。我们对异常实例分割方法的评估表明，这个挑战仍然是一个未解决的问题。可以在该网站和竞赛页面找到基准网址：[insert URL]。

    Jun, 2024

  • 使用深度学习的动物行为分析方法：一项综述

    动物行为学的关键研究方向是深度学习架构在动物行为识别中的应用、相关挑战以及未来研究方向。

    May, 2024

  • 人工环境中的动物检测

    本研究使用计算机视觉领域的深度学习技术，包括目标检测、跟踪、分割和边缘检测，尝试解决动物进入人类居住区的自动检测问题。该研究提出了一种半自动的合成数据生成方法，以训练在真实环境下进行部署的模型。实证结果表明，检测器无法从动物在其自然栖息地的训练图像中推广到人造环境的部署场景。本研究提供了用于进一步研究的代码和数据。

    Oct, 2019