[논문 리뷰] Going Deeper than Tracking: a Survey of Computer-Vision Based Recognition of Animal Pain and Affective States

Sofia Broomé, Marcelo Feighelstein외 7명|arXiv (Cornell University)|2022. 06. 16.

Human-Animal Interaction Studies인용 수 10

한 줄 요약

이 종합적 리뷰는 동물의 정서 상태와 통증을 인식하기 위한 컴퓨터 비전 기반 방법에 대해 운동 추적을 넘어서 얼굴 및 신체 표정을 평가하는 종합적인 분석을 제공한다. 기존 연구를 통합하고 데이터, 애너테이션, 모델 해석 가능성 분야의 핵심 과제를 규명하며, 정서 컴퓨팅을 통해 동물 복지를 향상시키기 위한 최선의 실천 방법과 향후 방향을 제시한다.

ABSTRACT

Advances in animal motion tracking and pose recognition have been a game changer in the study of animal behavior. Recently, an increasing number of works go 'deeper' than tracking, and address automated recognition of animals' internal states such as emotions and pain with the aim of improving animal welfare, making this a timely moment for a systematization of the field. This paper provides a comprehensive survey of computer vision-based research on recognition of affective states and pain in animals, addressing both facial and bodily behavior analysis. We summarize the efforts that have been presented so far within this topic -- classifying them across different dimensions, highlight challenges and research gaps, and provide best practice recommendations for advancing the field, and some future directions for research.

연구 동기 및 목표

• 컴퓨터 비전 기반의 동물 정서 상태 및 통증 인식 분야의 최신 기술 동향을 체계화하고 종합적으로 검토하는 것.
• 다양한 동물 종에 걸쳐 데이터 수집, 애너테이션, 모델 해석 가능성 분야의 핵심 과제를 규명하는 것.
• 연구 격차를 부각하고 향후 동물 정서 컴퓨팅 분야의 연구를 위한 최선의 실천 방법을 제안하는 것.
• 다양한 종 간 및 종별 비교를 위한 표준화되고 공개 가능한 기준 데이터셋 개발을 촉구하는 것.
• 임상 의사결정 지원 및 윤리적인 동물 복지 관리에 기여하기 위해 설명 가능한 AI 접근법을 장려하는 것.

제안 방법

• 동물 정서 상태 인식을 위한 컴퓨터 비전 분야의 120篇 이상의 연구를 체계적으로 조사하여 얼굴 및 신체 행동 분석에 중점을 둔다.
• 동물 종, 데이터 모odal(예: 영상, 이미지), 애너테이션 방법, 인식 작업(예: 통증, 정서) 등의 차원에 따라 기존 연구를 분류한다.
• 수작업 특징과 딥러닝 모델을 포함한 기술적 접근법을 분석하며, 모델 투명성과 특징의 해석 가능성에 중점을 둔다.
• 통제된 실험실 환경과 실제 농장 또는 야생 서식지 간의 성능을 평가하여 분포 이탈 현상을 부각한다.
• 인간 정서 컴퓨팅 분야의 통찰을 통합하여 특징 설계, 데이터 정제, 모델 평가 분야의 최선의 실천 방법을 도출한다.
• 자기지도 분리 기법과 윤리적 고려사항을 중심으로 향후 연구를 위한 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 컴퓨터 비전을 활용한 동물 통증 및 정서 상태 인식에 사용되는 현재의 기술적 및 방법론적 접근은 무엇인가?
• RQ2 통제된 실험실 환경과 실제 환경 간의 성능 지표 및 모델 일반화 능력은 어떻게 다름?
• RQ3 동물 정서 컴퓨팅 분야에서 데이터 수집, 애너테이션 품질, 모델 해석 가능성 분야의 주요 과제는 무엇인가?
• RQ4 설명 가능한 AI 기법은 임상 및 복지 관리 환경에서 신뢰도와 적용 가능성을 어떻게 향상시킬 수 있는가?
• RQ5 표준화되고 공개된 기준 데이터셋은 이 분야의 재현 가능성과 종 간 비교를 어떻게 향상시킬 수 있는가?

주요 결과

• 통증 인식 성능은 환경에 따라 크게 달라진다: 마우스의 경우 통제된 실험실 환경에서 99%의 정확도가 보고되었으나, 양의 실제 농장 환경에서는 67%에 그쳤다.
• 딥러닝 모델을 사용하는 경향이 뚜렷하지만, 이는 종종 해석이 어려운 '블랙박스' 형태의 추론을 초래한다.
• 수작업 특징는 더 나은 해석 가능성을 제공하지만, 종종 엔드 투 엔드로 학습된 표현보다 성능이 열등하여 투명성과 정확성 사이의 상충 관계를 드러낸다.
• 형태학적 다양성과 자세, 조도, 배경의 변동성으로 인해, 특히 통제되지 않은 환경에서는 모델 일반화 능력이 심각하게 저하된다.
• 유도된 정서 상태를 포함한 윤리적으로 수집된 공개 가능한 데이터셋의 부족은 재현 가능성과 다양한 방법 간 비교를 제한한다.
• 자기지도 분리 기법은 변동 인자(예: 표정과 자세 또는 배경을 분리)를 효과적으로 분리할 수 있는 잠재력을 보이고 있으나, 아직 안정적이지 않으며 동물 정서 인식 분야에선 개발이 부족한 상태이다.