Os autores: (1) Asaduz Zaman, Departamento de Ciência de Dados e Inteligência Artificial, Faculdade de Tecnologia da Informação, Universidade de Monash, Austrália (asaduzzaman@monash.edu); (2) Vanessa Kellermann, Departamento de Meio Ambiente e Genética, Escola de Agricultura, Biomedicina e Meio Ambiente, Universidade de La Trobe, Austrália (v.kellermann@latrobe.edu.au); (3) Alan Dorin, Departamento de Ciência de Dados e Inteligência Artificial, Faculdade de Tecnologia da Informação, Universidade de Monash, Austrália (alan.dorin@monash.edu). Authors: (1) Asaduz Zaman, Departamento de Ciência de Dados e Inteligência Artificial, Faculdade de Tecnologia da Informação, Universidade de Monash, Austrália (asaduzzaman@monash.edu); (2) Vanessa Kellermann, Departamento de Meio Ambiente e Genética, Escola de Agricultura, Biomedicina e Meio Ambiente, Universidade de La Trobe, Austrália (v.kellermann@latrobe.edu.au); (3) Alan Dorin, Departamento de Ciência de Dados e Inteligência Artificial, Faculdade de Tecnologia da Informação, Universidade de Monash, Austrália (alan.dorin@monash.edu). Mesa da Esquerda Abstract e 1a Introdução Obras relacionadas Método Resultados e discussão Conclusão e referências Abstração Este estudo introduz a retro-identificação ineficiente de dados de animais, um conceito novo e uma técnica prática de longo prazo para identificar ocorrências passadas de organismos em dados arquivados, que complementa os métodos tradicionais de reidentificação cronológica prospectiva em pesquisas comportamentais longitudinais. A identificação de um indivíduo-chave entre múltiplos sujeitos pode ocorrer no final de um experimento se ele se revelar através de um comportamento interessante após um período de desempenho não diferenciado. Muitas vezes, estudos longitudinais também encontram atrito sujeito durante experimentos. O esforço investido em modelos de software de treinamento para reconhecer e rastrear tais indivíduos é desperdiçado se eles falharem para completar o experimento. Idealmente, poderíamos selecionar indivíduos que completam um exper 1 Introdução Em estudos comportamentais longitudinais, o rastreamento de sujeitos individuais ao longo do tempo, identificando-os quando eles aparecem pela primeira vez, e novamente quando eles reaparecem em observações subsequentes, é crucial para a compreensão do comportamento [2]. A re-identificação (re-id) de pequenos animais visualmente semelhantes, como abelhas de mel, pode ser apoiada por marcadores físicos ou tags [2, 4, 14, 15]. No entanto, estes podem alterar o comportamento dos sujeitos [7]. O re-id sem marcação potencialmente permite aos pesquisadores avaliar o comportamento natural dos sujeitos de estudo [16]. No entanto, isso é difícil para indivíduos altamente semelhantes, como insetos, e requer que os algoritmos sejam treinados, muitas vezes em imagens anotadas à mão [21]. Em experimentos de mudança morfológica através de desgaste pode confundir esforços para re-identificar um indivíduo. Se um sujeito é perdido ou visualmente alterado durante um experimento, os recursos investidos em software de classificação de imagem de treinamento para reconhecê-lo serão potencialmente desperdiçados. Esta ineficiência é agravada pela necessidade de realizar experimentos em múltiplos sujeitos na expectativa de que poucos sobreviverão ao final, e daqueles, ainda menos irá exibir um comportamento específico de interesse, como aprender uma tarefa, resolver um quebra-cabeça ou coletar um recurso específico [8]. Portanto, a identificação tardia de sujeitos-chave de um início inicial maior é comum em estudos comportamentais longitudinais de insetos. Como os pesquisadores podem evitar o desperdício de anota - Identificação (retro-id) para resolver este problema. retro Em vez de seguir a convenção de modelos de treinamento em dados iniciais (dia um) e tentar seguir indivíduos cronologicamente durante um experimento, sugerimos que às vezes pode ser mais útil fazer o inverso. Ou seja, às vezes devemos treinar nossos algoritmos em dados de imagem experimental de estágio tardio de apenas os indivíduos-chave (sobreviventes ou de outra forma interessantes). E então devemos rastrear esses indivíduos-chave retrospectivamente através de dados de imagem arquivados para explorar seu comportamento durante o experimento. Isto concentra a atenção em anotação e treinamento de modelo para sujeitos críticos para um estudo, em vez de desperdiçar recursos em sujeitos que podem não persistir ou exibir comportamento relevante. Hipotetizamos que um modelo treinado em dados de imagem de insetos a partir do primeiro dia e testado para sua capacidade de re-identificar insetos até o dia N, exibiria o mesmo desempenho que um modelo treinado em dados do dia N e testado para insetos retro-id de volta ao primeiro dia. Testamos isso monitorando 15 abelhas de aranha individuais ao longo de 5 dias. Esses polinizadores semi-sociais têm alta semelhança fenotípica (Figura 1) e são naturalmente encontrados próximos uns dos outros, mesmo compartilhando ninhos, tornando o re-identificar ecologicamente valioso, mas desafiador. Nós treinamos vários modelos de classificação de imagem baseados em transferência usando dados dos dias 1 e 5, avaliando sua precisão nas seqüências do dia seguinte e do dia anterior, respectivamente. Ab Este artigo está disponível em arquivo sob a licença CC BY 4.0 DEED. Este artigo está disponível em arquivo sob a licença CC BY 4.0 DEED. Disponível em Arquivo
