BaboonLand Dataset: Tracking Primates in the Wild and Automating Behaviour Recognition from Drone Videos

2024年05月27日
  • 简介
    使用无人机同时跟踪多个个体在其自然环境中的行为是了解灵长类群体行为的有力方法。以往的研究已经证明,可以从视频数据中自动分类灵长类行为,但这些研究是在圈养环境或地面摄像机中进行的。为了理解群体行为和集体自组织,需要以能够看到行为与自然环境相关性的尺度来观察整个群体。本研究提供了一种新的无人机视频数据集,用于狒狒的检测、跟踪和行为识别。狒狒检测数据集是通过手动注释无人机视频中的所有狒狒边界框创建的。然后,应用了一种平铺方法,从原始的5.3K分辨率图像创建了各种尺度的图像金字塔,从而得到了约30K张用于狒狒检测的图像。跟踪数据集是从检测数据集中派生出来的,其中所有边界框在整个视频中被分配相同的ID。这个过程产生了半小时非常密集的跟踪数据。行为识别数据集是通过将轨迹转换成小场景生成的,每个小场景都是以每只动物为中心的视频子区域;每个小场景都手动注释了12种不同的行为类型,从而产生了超过20小时的数据。基准结果显示,YOLOv8-X检测模型的平均精度(mAP)为92.62%,BotSort跟踪算法的多目标跟踪精度(MOTA)为63.81%,X3D行为识别模型的微型top-1准确率为63.97%。使用深度学习从无人机镜头中分类野生动物行为,可以促进对整个群体集体行为的非侵入性洞察。
  • 图表
  • 解决问题
    使用无人机跟踪多个猴子在自然环境中的行为,以更好地理解群体灵长类动物的行为和自组织。
  • 关键思路
    使用深度学习对无人机拍摄的野生动物行为进行分类,从而实现对整个群体行为的非侵入性洞察。
  • 其它亮点
    论文提出了一种用于狒狒检测、跟踪和行为识别的新数据集,使用深度学习模型实现了较高的检测精度、跟踪精度和行为识别精度。实验结果表明,使用无人机跟踪野生动物行为可以促进对整个群体行为的研究。
  • 相关研究
    最近的相关研究包括使用深度学习进行动物行为识别和跟踪的研究,以及使用无人机进行野生动物监测的研究。其中一些相关论文包括:'Deep learning for animal behavior recognition and tracking','A review of unmanned aerial vehicle-based animal monitoring'。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论