基于无人机数据的大象群体姿态估计用于集体行为分析
计算机视觉与模式识别
2024-11-04 v1 人工智能
摘要
本研究代表了将无人机数据的自动姿态估计应用于野外大象行为研究的开创性应用，利用了从肯尼亚桑布鲁国家保护区拍摄的无人机视频素材。本研究评估了两种姿态估计工作流：DeepLabCut（以在实验室环境和新兴的野外野生动物研究中的应用而闻名）和YOLO-NAS-Pose（一种新发布的、此前尚未应用于野生动物行为研究的姿态估计模型）。这些模型被训练用于分析大象群体行为，重点关注低分辨率（约50像素）的目标，以检测单帧中多头大象的关键点，如头部、脊柱和耳朵。两种工作流在测试集上均展示了可接受的姿态估计质量，促进了对研究大象群体动态至关重要的基本行为的自动检测。在用于姿态估计评估的指标——均方根误差（RMSE）、正确关键点百分比（PCK）和目标关键点相似度（OKS）——方面，YOLO-NAS-Pose工作流优于DeepLabCut。此外，YOLO-NAS-Pose在目标检测评估中也超过了DeepLabCut。该方法为野生动物行为研究引入了一种新方法，包括蓬勃发展的野生动物无人机监测领域，对野生动物保护具有重要意义。
引用
@article{arxiv.2411.00196,
title = {Whole-Herd Elephant Pose Estimation from Drone Data for Collective Behavior Analysis},
author = {Brody McNutt and Libby Zhang and Angus Carey-Douglas and Fritz Vollrath and Frank Pope and Leandra Brickson},
journal= {arXiv preprint arXiv:2411.00196},
year = {2024}
}
备注
Accepted to CV4Animals: Computer Vision for Animal Behavior Tracking and Modeling Workshop in conjunction with Computer Vision and Pattern Recognition 2024