יישום שלב אחר שלב של התנהגות DeepBehavior ארגז כלים למידה עמוקה עבור ניתוח התנהגות אוטומטית
February 6th, 2020
מטרת פרוטוקול זה היא לנצל מראש בנוי רשתות עצביות convolutional כדי להפוך מעקב התנהגות ולבצע ניתוח התנהגות מפורטת. ניתן להחיל מעקב אחר התנהגות על כל נתוני הווידאו או רצפי התמונות וניתנים להכליל כדי לעקוב אחר כל אובייקט המוגדר על-ידי המשתמש.
ביצוע ניתוח התנהגות מפורט חיוני להבנת מערכת היחסים בין התנהגות המוח. אחת הדרכים הטובות ביותר להעריך התנהגות היא באמצעות תצפיות זהירות. עם זאת, כימות ההתנהגות שנצפתה הוא זמן רב ומאתגר.
שיטות קלאסיות לניתוח התנהגות אינן ניתנות לכימות בקלות והן סובייקטיביות מטבען. ההתפתחויות האחרונות בלמידה עמוקה, ענף של למידת מכונה ותחומי בינה מלאכותית, מספקות הזדמנויות לכמות אוטומטי ואובייקטיבי של תמונות וסרטונים. כאן אנו מציגים את השיטות שפותחו לאחרונה באמצעות רשתות עצביות עמוקות כדי לבצע ניתוח התנהגות מפורט אצל מכרסמים ובני אדם.
היתרון העיקרי של טכניקה זו הוא הגמישות וההתאימות שלה לכל נתוני הדמיה לניתוח התנהגות. ארגז הכלים DeepBehavior תומך בזיהוי אובייקט יחיד, בזיהוי אובייקטים מרובי ומעקב אחר תנוחות אנושיות. אנו מספקים גם את קוד עיבוד הפוסט ב- MATLAB לשיטות ניתוח קינמטיות מעמיקות יותר.
התחל בהגדרת תיבת טנזור. הפעל את הסביבה ולאחר מכן השתמש ב- GitHub כדי לשכפל את תיבת טנזור ולהתקין אותה במחשב ובתלות נוספת. לאחר מכן, הפעל את ממשק המשתמש הגרפי לתיוג ותייג לפחות 600 תמונות מהפצה רחבה של מסגרות התנהגות.
כדי להוסיף תווית לתמונה, לחץ על הפינה השמאלית העליונה של אובייקט העניין ולאחר מכן על הפינה השמאלית התחתונה. לאחר מכן ודא שהתיבה התוחמת לוכדת את האובייקט כולו. לחץ על לצד כדי לעבור למסגרת הבאה.
כדי לקשר את תמונות האימון לקובץ פרמטרי היפר-רשת, פתח את overfeat_rezoom. json בעורך טקסט ולהחליף את נתיב הקובץ תחת train_idl labels.json. לאחר מכן הוסף את אותו נתיב קובץ תחת test-idl ושמור את השינויים.
ליזום את סקריפט האימון אשר יתחיל אימון עבור 600, 000 איטראציות וליצור את המשקולות מאומנים וכתוצאה מכך של הרשת העצבית המפותלת בתקריית הפלט. לאחר מכן בצע חיזוי על תמונות חדשות והצג את יציאות הרשת כתמונות המסותוויות וכנקודות ציון של תיבה תוחמת. התקן את YOLOv3.
לאחר מכן תייג את נתוני Yolo_mark באמצעות תוויות על-ידי הצבת התמונות Yolo_mark אובגה של נתונים ותוויתן בזה אחר זה בממשק המשתמש הגרפי. תייג כ- 200 תמונות. לאחר מכן, הגדר את קובץ התצורה.
כדי לשנות את קובץ התצורה, פתח את YOLO-obj. תיקיית cfg. שנה את שורות האצווה, חלוקת המשנה והמדיות.
לאחר מכן שנה את המסנן עבור כל שכבת קונבולוטוריה לפני שכבת YOLO. הורד את משקולות הרשת והצב אותן בבנייה של רשת האפלה. תיקיית x64.
הפעל את אלגוריתם האימון, וברגע שהוא יושלם, הצג את איטראציות. כדי לעקוב אחר חלקי גוף מרובים בנושא אנושי, התקן את OpenPose ולאחר מכן השתמש בו כדי לעבד את הווידאו הרצוי. היכולות של ארגז הכלים DeepBehavior הודגמה על קטעי וידאו של עכברים ביצוע גלולת מזון להגיע למשימה.
כפותיהם הימניות תויגו והתנועה הייתה במעקב עם מצלמות צפייה קדמיות וצד. לאחר עיבוד פוסט עם כיול המצלמה, מסלולים 3D של תפוצה הושגו. הפלטים של YOLOv3 הם תיבות תוחמות מרובות מכיוון שניתן לעקוב אחר אובייקטים מרובים.
הקופסאות התוחמות הן סביב האובייקטים של עניין אשר יכול להיות חלקים של הגוף. ב- OpenPose, הרשת זיהתה את עמדות המפרקים ולאחר עיבוד פוסט עם כיול המצלמה, נוצר דגם תלת-ממד של הנושא. שלב קריטי אחד שלא מכוסה בפרוטוקול זה הוא להבטיח שלהתקן שלך יהיה את גירסאות פייתון ואת יחסי התלות המתאימים, כמו גם התקן שתצורתו נקבעה על-ידי המעבד הגרפי לפני שתתחיל.
לאחר קבלת אופן הפעולה של המסלול בהצלחה מהרשת ניתן לעשות עיבוד פוסט נוסף כדי לנתח עוד יותר את kinematics ודפוסים של ההתנהגות. מדוע תיבת הכלים DeepBehavior ישימה עבור גישות אבחון במודלים של מחלות של מכרסמים ונושאים אנושיים אינה יתרון טיפולי ישיר. השימוש בטכניקות אלה ככלי אבחון או פרוגנוסטי נמצא תחת מחקר פעיל במעבדה שלנו.
טכניקה זו משמשת כדי לחקור את המנגנונים העצביים של התנהגות מוטורית מיומנת מכרסמים, כמו גם בשימוש במחקרים קליניים כדי להעריך התאוששות מוטורית בחולים עם מחלות נוירולוגיות.
View the full transcript and gain access to thousands of scientific videos
סקירה
פרוטוקול זה משתמש ברשתות עצביות קונבולוציוניות מוכנות מראש כדי להפוך את מעקב ההתנהגות ולנהל ניתוח התנהגות מפורט. הוא חל על כל נתוני וידאו או רצפי תמונות, ומאפשר מעקב אחר אובייקטים שהוגדרו על ידי המשתמש.
מרכיבי מחקר מרכזיים
תחום המדע
- נוירו-מדע
- ניתוח התנהגות
- למידת מכונה
רקע
- הבנת קשרי מוח-התנהגות היא חיונית.
- שיטות ניתוח התנהגות מסורתיות הן סובייקטיביות ולוקחות זמן רב.
- למידת עומק מציעה הזדמנויות לכימות אוטומטי של התנהגות.
- ההתקדמות האחרונה בתחום ה-AI יכולה לשפר את מעקב ההתנהגות בנושאים שונים.
מטרת המחקר
- להפוך את מעקב ההתנהגות אוטומטי באמצעות רשתות עצביות עמוקות.
- לספק כימות אובייקטיבי של התנהגות בסרטונים ותמונות.
- לשפר את יעילות ניתוח ההתנהגות במחקר.
שיטות בשימוש
- שימוש ברשתות עצביות קונבולוציוניות.
- יישום על נתוני וידאו ורצפי תמונות.
- מעקב אחר אובייקטים שהוגדרו על ידי המשתמש.
- יישום במחקרים על מכרסמים וגם בני אדם.
תוצאות עיקריות
- אוטומציה מוצלחת של מעקב התנהגות.
- ניתוח אובייקטיבי של דפוסי התנהגות.
- כלליות על פני סוגים שונים של נתוני וידאו.
- הבנה משופרת של התנהגות באמצעות מדדים כמותיים.
מסקנות
- שיטות למידת עומק יכולות לשפר באופן משמעותי את ניתוח ההתנהגות.
- אוטומציה מפחיתה את הסובייקטיביות והזמן במחקר.
- הגישה חלה על הקשרים מחקריים שונים.
