CKSP：面向通用动物行为识别的跨物种知识共享与保留
人工智能
2024-10-23 v1
摘要
深度学习技术凭借其在大规模标注数据上的高性能，主导了基于可穿戴传感器的自动化动物行为识别(AAR)任务。然而，当前基于深度学习的AAR模型仅在单个动物物种的数据集上训练，限制了其实际应用性，且在训练数据有限时表现不佳。在本研究中，我们提出了一种基于多种动物物种传感器数据的“一对多”框架，称为跨物种知识共享与保留(CKSP)。考虑到不同物种间存在通用和物种特异性的行为模式，我们设计了一个共享-保留卷积(SPConv)模块。该模块为每个物种分配一个独立的低秩卷积层以提取物种特异性特征，并使用一个共享的全秩卷积层学习通用特征，使CKSP框架能够学习物种间的互补性，并通过增加数据多样性来缓解数据限制。考虑到物种间数据分布差异导致的训练冲突，我们设计了一个物种特异性批归一化(SBN)模块，该模块包含多个BN层，以分别拟合不同物种的数据分布。为了验证CKSP的有效性，我们在分别来自马、羊和牛的三个公开数据集上进行了实验。结果表明，与仅在单个物种数据上训练的基线方法（一对一框架）相比，我们的方法显著提升了分类性能，在马、羊和牛数据集上的准确率分别提升了6.04%、2.06%和3.66%，F1分数分别提升了10.33%、3.67%和7.90%。这证明了我们的方法在利用多物种数据增强分类性能方面具有巨大潜力。
引用
@article{arxiv.2410.16644,
title = {CKSP: Cross-species Knowledge Sharing and Preserving for Universal Animal Activity Recognition},
author = {Axiu Mao and Meilu Zhu and Zhaojin Guo and Zheng He and Tomas Norton and Kai Liu},
journal= {arXiv preprint arXiv:2410.16644},
year = {2024}
}