[論文レビュー] Online Collective Animal Movement Activity Recognition

Kehinde Owoeye, Stephen Hailes|arXiv (Cornell University)|Nov 22, 2018

Human Pose and Action Recognition参考文献 9被引用数 9

ひとこと要約

本稿では、LSTMおよびCNN+LSTMアーキテクチャを用いて、空間的・時間的特徴（速度および重心からの距離）を介して、群れのヤギにおける集合的移動行動を認識するオンラインで判別的な深層学習フレームワークを提案する。不均衡な集合的行動の分類において77.02%の正確性を達成し、空間的特徴が「群れの移動」など未反映度の高い行動を特定するために不可欠であることが示された。

ABSTRACT

Learning the activities of animals is important for the purpose of monitoring their welfare vis a vis their behaviour with respect to their environment and conspecifics. While previous works have largely focused on activity recognition in a single animal, little or no work has been done in learning the collective behaviour of animals. In this work, we address the problem of recognising the collective movement activities of a group of sheep in a flock. We present a discriminative framework that learns to track the positions and velocities of all the animals in the flock in an online manner whilst estimating their collective activity. We investigate the performance of two simple deep network architectures and show that we can learn the collective activities with good accuracy even when the distribution of the activities is skewed.

研究の動機と目的

• グループ環境における集合的動物行動のリアルタイムでオンラインでの認識の不足に対処すること。
• 複数のヤギの群れにおける空間的・時間的特徴（速度および重心からの距離）から集合的行動を学習すること。
• 特に「群れの移動」のような未反映度の高い集合的行動の分類正確性を向上させること。
• 動物福祉の監視および保存に応用可能なスケーラブルなオンライン学習フレームワークの開発すること。

提案手法

• モデルは、過去のヤギの位置および速度の時間窓サイズmを捉えるmany-to-oneアーキテクチャを採用している。
• LSTMネットワークは、群れの移動シーケンスにおける長期的な時間的依存性をモデル化する。
• CNN+LSTMハイブリッドアーキテクチャは、まず1次元畳み込み層を用いて空間的特徴を抽出し、その後LSTMに供給してシーケンスモデリングを行う。
• 入力特徴は各ヤギの空間的方位と速度であり、群れの重心からの距離を空間的特徴として使用する。
• モデルはエンドツーエンドで学習され、Adam最適化法、カテゴリカル交差エントロピー損失、ReLU活性化関数およびドロップアウト正則化を用いる。
• 分類には、シーケンスの最終出力のみが使用され、オンラインモードでのリアルタイム推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、オンラインでリアルタイムにヤギ群の集合的移動行動を効果的に認識できるか？
• RQ2 空間的・時間的特徴（速度および重心からの距離）は、複雑な集合的行動の分類にどのように寄与するか？
• RQ3 集合的行動の分布が極めて不均衡であっても、モデルは高い正確性を維持できるか？
• RQ4 空間的特徴と移動特徴を統合することで、「群れの移動」のようなレアな行動の検出が顕著に向上するか？
• RQ5 このタスクにおいて、LSTMとCNN+LSTMといった異なる深層学習アーキテクチャの性能はどのように比較されるか？

主な発見

• 速度および重心からの距離特徴を併用したLSTMモデルが、77.02% ± 1.11の最高分類正確性を達成した。
• 空間的特徴（重心からの距離）の導入により、「群れの移動」という未反映度の高い行動の検出が顕著に向上した。空間的入力を欠いたモデルでは、この行動が完全に誤分類されていた。
• 両特徴を併用したCNN+LSTMモデルは74.51%の正確性を達成し、同じ特徴を用いたLSTM単体モデルをわずかに上回った。
• 空間的特徴を排除したモデルは「群れの移動」クラスを学習できず、複雑な集合的行動を区別するためには空間的文脈が不可欠であることが示された。
• 不均衡なクラス分布（例：「群れの移動」のテストデータはたった0.78%）であっても、最良のモデルはこのクラスに対して84%の再現率を達成した。
• 混同行列の結果から、空間的特徴が、特に困難な地形においても微細な集合的行動を区別する上で極めて重要であることが確認された。