基于时间相对注意机制的深度学习穿山甲行为自动识别

中华穿山甲由于其习性特化、栖息地碎片化和非法贸易，在野外濒临灭绝。随着野生穿山甲数量的减少，圈养拯救和繁殖已成为保护穿山甲免于灭绝的最重要方式之一。由于对穿山甲的特殊摄食、不同生理阶段的营养需求和生殖生理的适应机制缺乏了解，人工拯救和繁殖穿山甲仍然是一个世界性的挑战。研究穿山甲种群繁殖需要监测穿山甲并了解它们繁殖过程的行为特征。穿山甲是夜间活动的动物，它们的活动和行为很难通过人类的持续观察来记录。研究开发一种自动化、智能化的穿山甲繁殖监测方法，可以有效地帮助人类对穿山甲的观察、分析、繁育和日常行为研究，对穿山甲种群的保护和繁育研究具有重要意义。

基于机器视觉的自动识别方法不仅可以对穿山甲进行24小时的监测，还可以降低穿山甲的应激反应。因此我们建立了一个时间关系和注意机制网络（穿山甲繁殖注意和传输网络，PBATn）来监测和识别穿山甲的行为，包括穿山甲的繁殖和日常行为。将现有的11476个视频，包括繁殖行为和日常行为，分为训练集，验证集和测试集。对于训练集和验证集，PBATn网络模型准确率分别为98.95%和96.11%，损失函数值分别为0.1531和0.1852。该模型适用于2.40 m×2.20 m（长×宽）的穿山甲笼区，笼内左侧或右侧放置一个尺寸为40 cm×30 cm ×30 cm(长×宽×高)的巢箱，在距地面2.50 m高度的笼壁上安装球形夜视监控摄像头。对于测试集，平均精度（mAP）、平均准确率、平均召回率、平均特异性和F1平均得分均高于SlowFast、X3D、TANet、TSN等，分别为97.50%、99.17%、97.55%、99.53%和97.48%。PBATn对追逐和攀爬繁殖行为的识别准确率分别为94.00%和98.50%。结果表明，PBATn在各方面均优于基线方法。该研究表明，深度学习系统可以准确地观察穿山甲的繁殖行为，并将有助于分析这些动物的行为。

本研究成果以《投注app》为题在《投注app》上发表。我团队科研人员王凯博士和硕士研究生侯鹏飞为本文的共同第一作者，华中农业大学贾桂锋副教授和我团队首席专家华彦博士为本文的共同通讯作者。

文章链接：http://blog.csdn.net/aguyuc1/article/details/134630975

图1 穿山甲的行为

图 2 PBATn的结构图

图3 PBATn的识别精度和损失值

图4 特征可视化

图4 PBATn识别结果热图