从森林到动物园：基于ChimpBehave的类人猿行为识别

本文解决了非人灵长类动物行为识别的重大挑战，特别关注黑猩猩。自动行为识别对于保护工作和行为研究的推进都至关重要。然而，手动视频标注的繁重过程严重阻碍了其发展。尽管存在大规模动物行为数据集，但机器学习模型在不同环境设置中的有效应用仍面临关键挑战，这主要是由于数据收集背景的多样性和标注的特异性。在本文中，我们介绍了ChimpBehave，一个新颖的数据集，包含超过2小时（约193,000帧）的动物园黑猩猩视频，并精心标注了边界框和行为标签用于动作识别。ChimpBehave独特地将其行为类别与现有数据集对齐，从而允许研究不同视觉设置之间的领域自适应和跨数据集泛化方法。此外，我们使用最先进的基于CNN的动作识别模型对数据集进行了基准测试，提供了数据集内和跨数据集设置的第一个基线结果。数据集、模型和代码可在 https://github.com/MitchFuchs/ChimpBehave 获取。