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

使用无人机同时跟踪自然环境中的多个个体是更好地理解灵长类群体行为的强有力方法。以前的研究已经证明，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，需要在能够看到行为与生态决策相关的自然环境的尺度下看到整个群体。本研究提供了一个新的无人机视频数据集，用于狒狒检测、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来创建的，每个狒狒都用边界框标注。然后应用了平铺方法，从原始的5.3K分辨率图像创建了各种比例的图像金字塔，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。这个过程产生了半个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来生成的，每个小场景都是以每个动物为中心的视频子区域；每个小场景都用12种不同的行为类型手动注释，结果超过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精度为63.97％。利用深度学习从无人机镜头中分类野生动物行为，有助于非侵入性地了解整个群体的集体行为。

使用无人机追踪多个猴群成员的行为，以更好地理解集体灵长类动物的行为。

使用深度学习从无人机视频中识别野生动物的行为，从而非侵入性地了解整个群体的集体行为。

论文提供了一个新的从无人机视频中检测、跟踪和识别狒狒行为的数据集。使用YOLOv8-X检测模型、BotSort跟踪算法和X3D行为识别模型，分别达到了92.62%、63.81%和63.97%的准确率。

最近的相关研究包括使用传感器技术和计算机视觉技术追踪野生动物行为，例如《基于计算机视觉的野生动物行为监测：综述与前瞻》、《基于深度学习的动物行为识别：综述与展望》等。