作者 : (1)Asaduz Zaman,数据科学和人工智能部,澳大利亚莫纳什大学信息技术学院(asaduzzaman@monash.edu); (2)Vanessa Kellermann,环境和遗传学系,农业,生物医学和环境学院,拉特罗贝大学,澳大利亚( v.kellermann@latrobe.edu.au); (3)Alan Dorin,数据科学和人工智能部门,信息技术学院,澳大利亚莫纳什大学(alan.dorin@monash.edu)。 Authors: (1)Asaduz Zaman,数据科学和人工智能部,澳大利亚莫纳什大学信息技术学院(asaduzzaman@monash.edu); (2)Vanessa Kellermann,环境和遗传学系,农业,生物医学和环境学院,拉特罗贝大学,澳大利亚( v.kellermann@latrobe.edu.au); (3)Alan Dorin,数据科学和人工智能部门,信息技术学院,澳大利亚莫纳什大学(alan.dorin@monash.edu)。 桌子左 摘要和介绍1 相关作品 方法 结果与讨论 结论与参考 抽象 这项研究引入了动物无标记的数据再识别,这是一个新的概念和长期的实践技术,以识别存档数据中的有机体的过去发生,这补充了前瞻性慢性再识别方法在长度行为研究中的传统方法。在实验中,如果它透露了自己通过动物表现的有趣行为,那么在实验中晚些时候可能发生一个关键个体的识别。 通常,长度研究在实验期间也遇到对象的磨损。 我们在培训软件模型中投入的努力来识别和跟踪这些个体是浪费的。 理想情况下,我们可以选择通过实验完成或通过有趣的行为来区分自己的人,在训练图像分类软件中投资计算资源以识别他们之前。 我们建议进行培训以实现这一目标的反识别模型。 这种方法 1、介绍 在长度行为研究中,随着时间的推移,跟踪个体受试者,在他们第一次出现时识别它们,并在后续观察中再次出现时,对于理解行为至关重要。小型,视觉上相似的动物(如蜜蜂)的重新识别(re-id)可以通过物理标记或标签(2, 4, 14, 15)进行支持。然而,这些可以改变受试者的行为(7),无标记的重新识别可能会使研究人员能够评估受试者的自然行为(16)。 如果一个对象在实验中丢失或视觉改变,在训练图像分类软件中投入的资源,以识别它将被潜在浪费。这种无效性被需要对多个对象进行实验所造成的困扰,预计少数人将幸存到最后,而这些对象,甚至少数人将表现出特定行为的兴趣,如学习任务,解决一个谜团或收集特定的资源8。因此,从一个初始较大的开始设置进行关键对象的晚期识别在长度行为昆虫研究中很常见。 识别(retro-id)来解决这个问题。 回归 相反,我们不应该遵循初始(一日)数据的训练模型的惯例,并试图在实验期间按时间跟踪个体,我们建议有时可以更有用地做相反的事情,也就是说,有时我们应该训练我们的算法,仅仅仅是关键(生存或其他有趣)个体的晚期实验图像数据,然后我们应该通过存档图像数据追踪这些关键个体,以探索实验期间的行为。 我们假设,从第一天开始对昆虫图像数据进行训练的模型,并在N日之前对其重新识别昆虫的能力进行了测试,会表现出与在N日数据上训练的模型相同的性能,并在第一天之前对逆识别昆虫进行了测试。我们通过监测15个单独的蜂在5天内进行测试。这些半社会性粉尘剂具有很高的现象类似性(图1),并且自然地发现彼此相近,甚至共享巢穴,使再识别生态上有价值但具有挑战性。 本文在 CC BY 4.0 DEED 许可证下提供。 这篇论文是 CC BY 4.0 DEED 许可证。 可用 档案 可用 档案
