Författare : (1) Asaduz Zaman, avdelning för datavetenskap och artificiell intelligens, fakulteten för informationsteknik, Monash University, Australien (asaduzzaman@monash.edu); (2) Vanessa Kellermann, avdelning för miljö och genetik, skola för jordbruk, biomedicin och miljö, La Trobe University, Australien (v.kellermann@latrobe.edu.au); (3) Alan Dorin, avdelning för datavetenskap och artificiell intelligens, fakulteten för informationsteknik, Monash University, Australien (alan.dorin@monash.edu). Authors: (1) Asaduz Zaman, avdelning för datavetenskap och artificiell intelligens, fakulteten för informationsteknik, Monash University, Australien (asaduzzaman@monash.edu); (2) Vanessa Kellermann, avdelning för miljö och genetik, skola för jordbruk, biomedicin och miljö, La Trobe University, Australien (v.kellermann@latrobe.edu.au); (3) Alan Dorin, avdelning för datavetenskap och artificiell intelligens, fakulteten för informationsteknik, Monash University, Australien (alan.dorin@monash.edu). Tabell från vänster Abstrakt och 1. introduktion Relaterade verk Metoden Resultat och diskussion Slutsats och referenser Abstrakt Denna studie introducerar markfri återidentifiering av djurdata, ett nytt koncept och en lång praktisk teknik för att identifiera tidigare förekomster av organismer i arkiverade data, som kompletterar traditionella framåtblickande kronologiska återidentifieringsmetoder i longitudinell beteendeforskning. Identifiering av en nyckelperson bland flera ämnen kan inträffa sent i ett experiment om det avslöjar sig genom intressant beteende efter en period av ospecificerad prestanda. Ofta stöter longitudinella studier också på ämnesutmattning under experiment. Ansträngning investerad i utbildningsprogrammodeller för att känna igen och spåra sådana individer är bortkastad om de misslyckas med att slutföra experimentet. Ideellt sett skulle vi kunna välja individer som både slutför ett experiment och / eller differentiera sig via intressant beteende, innan 1 Introduktion I longitudinella beteendestudier kan spårning av enskilda ämnen över tid, identifiering av dem när de först dyker upp, och igen när de återkommer i efterföljande observationer, vara avgörande för att förstå beteendet [2]. Re-identifiering (re-id) av små, visuellt liknande djur, såsom honungsbin, kan stödjas av fysiska markörer eller taggar [2, 4, 14, 15]. Dessa kan emellertid ändra ämnens beteende [7]. Markeringslös re-id gör det möjligt för forskare att bedöma studieobjektens naturliga beteende [16]. Detta är dock svårt för mycket liknande individer, såsom insekter, och kräver att algoritmer tränas, ofta på handnoterade bilder [21]. I experiment med insekter, kan ämnets friktion genom död eller försvinnande vara hög Om ett ämne förloras eller visuellt ändras under ett experiment, resurser som investeras i utbildning bildklassificering programvara för att känna igen det kommer potentiellt att slösas bort. Denna ineffektivitet förvärras av behovet av att utföra experiment på flera ämnen i förväntan att få kommer att överleva till slutet, och av dem, ännu färre kommer att visa ett visst beteende av intresse, såsom att lära sig en uppgift, lösa ett pussel eller samla in en specifik resurs [8]. Därför är sen identifiering av nyckelämnen från en initial större start uppsättning vanligt i longitudinella beteende insektstudier. Hur kan forskare undvika bortkastad manuell bildannotation och re-id modellutbildning på ämnen som inte i slutändan bidrar till användbara data? Här föreslår vi och -identifiering (retro-id) för att ta itu med detta problem. retro I stället för att följa konventionen om träningsmodeller på inledande (dag ett) data och försöka följa individer kronologiskt under ett experiment, föreslår vi att det ibland kan vara mer användbart att göra omvänt. Det vill säga, ibland bör vi träna våra algoritmer på sena stadier av experimentella bilddata av bara nyckel (överlevande eller annars intressant) individer. Och då bör vi spåra dessa nyckelpersoner retroaktivt genom arkiverade bilddata för att utforska deras beteende under experimentet. Detta fokuserar uppmärksamhet på annotation och modellutbildning för ämnen som är kritiska för en studie, snarare än att slösa resurser på ämnen som inte kan kvarstå eller visa relevant beteende. Vi antar att en modell utbildad på insektsbilddata från dag ett och testad för sin förmåga att re-id insekter fram till dag N, skulle visa samma prestanda som en modell utbildad på dag N data och testad på retro-id insekter tillbaka till dag ett. Vi testade detta genom att övervaka 15 enskilda reedbjörnar över 5 dagar. Dessa semi-sociala pollinatorer har hög fenotypisk likhet (figur 1) och finns naturligt nära varandra, även dela boar, vilket gör re-id ekologiskt värdefullt men utmanande. Vi utbildade flera överföringsbaserade bildklassificeringsmodeller med data från dagar 1 och 5, utvärderar deras noggrannhet på efterföljande och föregående dagars sekvenser respektive. Nedan granskar vi relaterat arbete (avsnitt 2), beskriver våra metoder för data Den här artikeln finns tillgänglig på arkiv under CC BY 4.0 DEED-licens. Detta papper är Licensierad enligt CC BY 4.0 DEED. available on arxiv Tillgänglig i Arkiv
