基于加速度数据与循环神经网络的动物行为分类
机器学习
2021-11-29 v1 人工智能
摘要
我们研究了使用加速度数据通过各种循环神经网络（RNN）模型对动物行为进行分类。我们利用通过颈圈或耳标从牛身上获取的四个数据集，评估了所考虑模型的分类性能和复杂度，这些模型具有不同深度和宽度的长短期记忆（LSTM）或门控循环单元（GRU）架构。我们还在评估中纳入了两个最先进的基于卷积神经网络（CNN）的时间序列分类模型。结果表明，与基于 CNN 的模型相比，基于 RNN 的模型在具有更少的计算和内存需求的同时，能够达到相似或更高的分类准确率。我们还观察到，尽管复杂度较低，但具有 GRU 架构的模型在分类准确率上通常优于具有 LSTM 架构的模型。具有 64 个隐藏单元的单层单向 GRU 模型似乎在准确率和复杂度之间提供了良好的平衡，使其适合在边缘/嵌入式设备上实现。
引用
@article{arxiv.2111.12843,
title = {Animal Behavior Classification via Accelerometry Data and Recurrent Neural Networks},
author = {Liang Wang and Reza Arablouei and Flavio A. P. Alvarenga and Greg J. Bishop-Hurley},
journal= {arXiv preprint arXiv:2111.12843},
year = {2021}
}