DeepBehavior Adım Adım Uygulama, Otomatik Davranış Analizi için Derin Öğrenme Araç Kutusu

Ayrıntılı bir davranış analizi yapmak beyin davranışı ilişkisini anlamak için çok önemlidir. Davranışı değerlendirmenin en iyi yollarından biri dikkatli gözlemlerdir. Ancak, gözlenen davranışı niteleme zaman alıcı ve zorludur.

Klasik davranış analizi yöntemleri kolayca ölçülebilir değildir ve doğal olarak özneldir. Makine öğrenimi ve yapay zeka alanlarındaki bir dalı olan derin öğrenmedeki son gelişmeler, görüntü ve videoların otomatik ve objektif olarak ölçülmesi için fırsatlar sağlamaktadır. Burada kemirgenler ve insanlarda ayrıntılı davranış analizi yapmak için derin sinir ağları kullanan son zamanlarda geliştirilen yöntemleri sıyoruz.

Bu tekniğin en büyük avantajı, davranış analizi için herhangi bir görüntüleme verisine esnekliği ve uygulanabilirliğidir. DeepBehavior Araç Kutusu tek nesne tanımlama, çoklu nesne algılama ve insan poz izleme destekler. Ayrıca daha derinlemesine kinematik analiz yöntemleri için MATLAB'da post processing kodunu salıyoruz.

Tensor Kutusu'yu kurarak başlayın. Ortamı etkinleştirin, ardından Tensor Kutusu'nu klonlamak ve makineye ve ek bağımlılıklara yüklemek için GitHub'ı kullanın. Ardından, grafiksel kullanıcı arabirimini başlatın ve davranış çerçevelerinin geniş bir dağıtımından en az 600 görüntüyü etiketlendirin.

Görüntüyü etiketlemek için ilgi çekici nesnenin sol üst köşesini ve ardından sağ alt köşeyi tıklatın. Ardından, sınırlayıcı kutunun tüm nesneyi yakaladığından emin olun. Bir sonraki kareye geçmek için hemen tıklatın.

Eğitim görüntülerini bir ağ hiper parametre dosyasına bağlamak için overfeat_rezoom açın. bir metin düzenleyicisi json ve train_idl altında dosya yolunu değiştirin labels.json. Ardından test-idl altında aynı dosya yolunu ekleyin ve değişiklikleri kaydedin.

600,000 yineleme için eğitime başlayacak ve çıkış klasöründe kıvrımlı sinir ağının elde edilen eğitilmiş ağırlıklarını oluşturacak eğitim komut dosyasını başlatın. Ardından, yeni görüntüler üzerinde tahmin gerçekleştirin ve ağın çıktılarını etiketli görüntüler ve sınırlayıcı kutu koordinatları olarak görüntüleyin. YOLOv3'e yükleyin.

Ardından, görüntüleri Yolo_mark-veri-obga klasörüne yerleştirerek ve grafik kullanıcı arabiriminde tek tek etiketleyerek eğitim verilerini Yolo_mark etiketleyin. Yaklaşık 200 görüntüyü etiketle. Ardından, yapılandırma dosyasını ayarlayın.

Yapılandırma dosyasını değiştirmek için YOLO-obj'yi açın. cfg klasörü. Toplu iş, alt bölüm ve sınıf satırlarını değiştirin.

Ardından, bir YOLO katmanından önce her kıvrım katmanı için filtreyi değiştirin. Ağ ağırlıklarını indirin ve darknet-build'e yerleştirin. x64 klasörü.

Eğitim algoritmasını çalıştırın ve tam olarak oluşturulduktan sonra yinelemeleri görüntüleyin. Bir insan nesnesinde birden fazla vücut parçasını izlemek için OpenPose'i yükleyin ve ardından istediğiniz videoyu işlemek için kullanın. DeepBehavior Araç Kutusu'nun yetenekleri, farelerin göreve ulaşan bir gıda peleti performans videolarında gösterilmiştir.

Sağ pençeleri etiketlendi ve hareket ön ve yan görüş kameraları ile izlendi. Kamera kalibrasyonu ile post processing işleminden sonra, erişim 3D yörüngeleri elde edildi. YOLOv3 çıkışları birden çok sınırlayıcı kutudur, çünkü birden çok nesne izlenebilir.

Sınırlayıcı kutular vücudun parçaları olabilir ilgi nesneleri etrafında. OpenPose'te ağ ortak konumları algıladıktan sonra kamera kalibrasyonu ile işlem sonrası bir 3B model oluşturuldu. Bu protokolde yer almayan kritik bir adım, cihazınızın başlamadan önce uygun Python sürümlerine ve bağımlılıklarına ve GPU yapılandırılmış aygıta sahip olmasını sağlamaktır.

Başarıyla ağ dan parça davranışı elde ettikten sonra ek sonrası işleme daha fazla kinematik ve davranış desenleri analiz etmek için yapılabilir. Neden DeepBehavior Toolbox kemirgenler ve insan deneklerin hastalık modellerinde tanısal yaklaşımlar için geçerli dir doğrudan terapötik yarar değildir. Bu tekniklerin tanısal veya prognostik bir araç olarak kullanılması laboratuvarımızda aktif araştırma altındadır.

Bu teknik, nörolojik hastalıkları olan hastalarda motor iyileşmedeğerlendirmek için klinik çalışmalarda kullanıldığı gibi kemirgenlerde yetenekli motor davranışın nöral mekanizmaları nın araştırılmasında da kullanılmaktadır.