Pages

Inteligencia Artificial para Identificar el Comportamiento en Grupo de Animales Silvestres


El reconocimiento de actividades y, en general, las tareas de inferencia del comportamiento están ganando mucho interés. Mucho de esto es trabajo en el contexto del comportamiento humano. Las nuevas tecnologías de rastreo disponibles para los animales silvestres están generando conjuntos de datos que indirectamente pueden proporcionar información sobre el comportamiento de los animales. En este trabajo, han propuesto un método para clasificar estos datos en anotaciones de comportamiento, en particular, el comportamiento colectivo de un grupo social. Dicho método se basa en el análisis de secuencias con una codificación directa de las interacciones de un grupo de animales salvajes. Se evalúa dicho enfoque en un conjunto de datos del mundo real, mostrando mejoras significativas en la precisión sobre los métodos de línea de base.

Comprender el comportamiento de los animales es fundamental para responder a la pregunta fundamental de por qué los animales (incluyendo a los humanos) hacen lo que hacen. Recientemente, los biólogos comenzaron a utilizar tecnologías vestibles, como GPS, acelerómetros y sensores de radio, para rastrear a los animales y sus actividades. Sin embargo, los datos brutos recopilados no son interpretables por el ser humano y necesitan ser procesados para extraer patrones de comportamiento. Los datos brutos suelen representarse como series temporales que contienen observaciones de las lecturas del sensor con indicación de la hora. Los biólogos también recogen anotaciones de comportamiento que describen el comportamiento de un individuo (caminar, asearse) o de un grupo de individuos (pastar, movimiento coordinado) durante un intervalo temporal predefinido, así como el contexto de ese comportamiento (como el hábitat, el clima, etc.). En la naturaleza, donde el ambiente no puede ser bien instrumentado, los biólogos son incapaces de observar continuamente el comportamiento de los animales silvestres, pero recolectan observaciones a intervalos pequeños que son típicamente insuficientes para describir la compleja dinámica de comportamiento de los animales silvestres. El aprendizaje automático puede ayudar a los biólogos en el proceso de inferir estos comportamientos a partir de los datos de los sensores.

El auge de la tecnología portátil humana ha llevado al desarrollo de nuevas soluciones para el problema de la inferencia del comportamiento a partir de varios sensores. Los modelos de reconocimiento de actividades pueden utilizarse para aprender las relaciones entre las series temporales en bruto y las anotaciones de comportamiento recogidas mediante observaciones u otras modalidades. Entonces, los modelos obtenidos pueden clasificar automáticamente los intervalos de los datos recolectados para los cuales no se observaron comportamientos.

En este trabajo proponemos un nuevo marco para inferir el comportamiento grupal de los animales silvestres a partir de series temporales de sensores.

TRABAJOS RELACIONADOS

El campo de reconocimiento de actividades está directamente relacionado con el campo de la clasificación de series temporales. Hay dos direcciones principales para resolver este problema de clasificación: basado en el análisis de la secuencia temporal y el uso del aprendizaje profundo.

Los métodos de análisis temporal se basan en una descripción explícita de las señales en bruto. La corriente temporal puede representarse como segmentos o como un todo. El primero requiere definir la longitud de los segmentos mientras que el segundo maneja automáticamente las interdependencias entre cada observación subsiguiente. En los métodos de análisis de secuencias, los campos aleatorios condicionales (CRF) se consideran el patrón oro, incluyendo el caso específico del reconocimiento de la actividad de los animales silvestres.

Los métodos de aprendizaje profundo no requieren la descripción explícita de las señales en bruto. Estos métodos infieren automáticamente el conjunto de características utilizando las capas ocultas. Para la clasificación de series de tiempo, los métodos de aprendizaje profundo que explotan la potencia de los componentes de la Memoria a Corto Plazo Larga (LSTM) se consideran el estado del arte.

Para visualizar todos los detalles técnicos de este método basado en Inteligencia Artificial así como las pruebas y futuros pasos en el documento compartido por las instituciones.

Enlace Web - Documento

CompuTekni

¡No olvides seguirnos en Telegram para recibir las mejores noticias del día!

No hay comentarios.:

Publicar un comentario