Шаг за шагом Внедрение DeepBehavior, Глубокое обучение Toolbox для автоматизированного анализа поведения

Выполнение детального анализа поведения имеет решающее значение для понимания отношений поведения мозга. Один из лучших способов оценить поведение через тщательные наблюдения. Тем не менее, количественная оценка наблюдаемого поведения является трудоемкой и сложной задачей.

Классические методы анализа поведения не легко поддаются количественной оценке и по своей сути субъективны. Последние разработки в области глубокого обучения, отрасли машинного обучения и искусственного интеллекта, предоставляют возможности для автоматизированной и объективной количественной оценки изображений и видео. Здесь мы представляем наши недавно разработанные методы использования глубоких нейронных сетей для выполнения детального анализа поведения у грызунов и людей.

Основным преимуществом этого метода является его гибкость и применимость к любым данным изображений для анализа поведения. Инструментарий DeepBehavior поддерживает идентификацию одного объекта, обнаружение нескольких объектов и отслеживание позу человека. Мы также предоставляем почтовый код в MATLAB для более углубленных методов кинематический анализ.

Начните с настройки Tensor Box. Активируйте среду, затем используйте GitHub для клонирования Tensor Box и установки его на машину и на дополнительные зависимости. Затем запустите графический пользовательский интерфейс маркировки и отклеймит не менее 600 изображений из широкого распространения кадров поведения.

Чтобы обозначить изображение нажмите на левый верхний угол объекта, представляющий интерес, а затем в правом нижнем углу. Затем убедитесь, что обвяжающая коробка захватывает весь объект. Нажмите рядом, чтобы перейти к следующему кадру.

Чтобы связать изображения обучения с файлом гипер параметров сети, откройте overfeat_rezoom. json в текстовом редакторе и заменить путь файла под train_idl на labels.json. Затем добавьте тот же путь файла в тест-idl и сохраните изменения.

Инициировать учебный сценарий, который начнет обучение для 600 000 итераций и генерировать полученные обученные веса скотобойной нейронной сети в папке вывода. Затем выполните прогноз на новых изображениях и просмотрите выходы сети в виде помеченных изображений и в качестве координат коробки. Установка YOLOv3.

Затем отмейте учебные данные Yolo_mark, поместив изображения в папку Yolo_mark-data-obga и поместив их один за другим в графическом пользовательском интерфейсе. Этикетка около 200 изображений. Затем на настройку файла конфигурации.

Для изменения файла конфигурации откройте YOLO-obj. cfg папку. Измените линии пакетов, подразделений и классов.

Затем измените фильтр для каждого слоя свертки перед слоем YOLO. Загрузите сетевые веса и поместите их в даркнет-сборку. папка x64.

Запустите алгоритм обучения, и как только он будет завершен, просмотрите итерации. Чтобы отслеживать несколько частей тела в человеке, установите OpenPose затем использовать его для обработки желаемого видео. Возможности Инструментария DeepBehavior были продемонстрированы на видео мышей, выполняющих задачу достижения пищевой гранулы.

Их правые лапы были помечены и движение отслеживалось с фронтальной и боковой камеры зрения. После обработки поста с калибровкой камеры были получены 3D траектории досягаемости. Выходы YOLOv3 являются несколькими связанными коробками, поскольку можно отслеживать несколько объектов.

Коробки вокруг объектов, представляющих интерес, которые могут быть частями тела. В OpenPose сеть обнаружила совместные позиции и после обработки с помощью калибровки камеры была создана 3D-модель предмета. Одним из важных шагов, не охватываемых этим протоколом, является обеспечение того, чтобы ваше устройство имеет соответствующие версии и зависимости Python, а также настроенное устройство GPU перед началом.

После успешного получения поведения трека из сети можно сделать дополнительную постобработавую для дальнейшего анализа кинематики и моделей поведения. Почему DeepBehavior Toolbox применим для диагностических подходов в моделях заболеваний грызунов и людей не является прямой терапевтической пользой. Использование этих методов в качестве диагностического или прогностический инструмент находится в стадии активных исследований в нашей лаборатории.

Этот метод используется для исследования нейронных механизмов квалифицированного моторного поведения у грызунов, а также используется в клинических исследованиях для оценки восстановления двигателя у пациентов с неврологическими заболеваниями.