کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943327 1437620 2017 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Assessing machine learning classifiers for the detection of animals' behavior using depth-based tracking
ترجمه فارسی عنوان
ارزیابی طبقه بندی های یادگیری ماشین برای تشخیص رفتار حیوانات با استفاده از ردیابی مبتنی بر عمق
کلمات کلیدی
سیستم ردیابی، تعامل کامپیوتری حیوانات، ردیابی مبتنی بر عمق، الگوریتم های طبقه بندی، سیستم هوشمند
ترجمه چکیده
در حال افزایش علاقه به تشخیص خودکار رفتارهای حیوانی و موقعیت بدن در حوزه تعامل کامپیوتر حیوانات و مزایای این می تواند به رفاه حیوانات، برقراری ارتباط از راه دور، ارزیابی رفاه، تشخیص الگوهای رفتاری، سیستم های تعاملی و سازگار، و غیره. بیشتر آثار در شناخت رفتار حیوانات بر حسگرهای پوشیدنی متکی هستند تا اطلاعات مربوط به موقعیت و حرکات حیوانات را جمع آوری کنند که سپس با استفاده از تکنیک های یادگیری ماشین پردازش می شوند. با این حال، مکانیزم های غیر پوشیدنی مانند ردیابی مبتنی بر عمق می توانند از تکنیک های یادگیری ماشین و طبقه بندی ها برای تشخیص خودکار رفتار حیوانات استفاده کنند. این سیستم ها همچنین مزایای کار کردن در تنظیمات را ارائه می دهند که در آن دستگاه های پوشیدنی دشوار است. این مقاله یک سیستم ردیابی مبتنی بر عمق برای تشخیص خودکار موقعیت و قسمت های بدن حیوانات و نیز ارزیابی جامع از عملکرد چندین الگوریتم طبقه بندی مبتنی بر رویکرد تحت نظارت و مبتنی بر دانش ارائه می دهد. ارزیابی سیستم ردیابی عمق و طبقه بندی های مختلف نشان می دهد که سیستم پیشنهاد شده برای پیشبرد تحقیقات در مورد شناخت رفتار حیوانات در داخل و خارج از زمینه تعامل کامپیوتر حیوانات امیدوار کننده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ارزیابی طبقه بندی های یادگیری ماشین برای تشخیص رفتار حیوانات با استفاده از ردیابی مبتنی بر عمق
چکیده انگلیسی
There is growing interest in the automatic detection of animals' behaviors and body postures within the field of Animal Computer Interaction, and the benefits this could bring to animal welfare, enabling remote communication, welfare assessment, detection of behavioral patterns, interactive and adaptive systems, etc. Most of the works on animals' behavior recognition rely on wearable sensors to gather information about the animals' postures and movements, which are then processed using machine learning techniques. However, non-wearable mechanisms such as depth-based tracking could also make use of machine learning techniques and classifiers for the automatic detection of animals' behavior. These systems also offer the advantage of working in set-ups in which wearable devices would be difficult to use. This paper presents a depth-based tracking system for the automatic detection of animals' postures and body parts, as well as an exhaustive evaluation on the performance of several classification algorithms based on both a supervised and a knowledge-based approach. The evaluation of the depth-based tracking system and the different classifiers shows that the system proposed is promising for advancing the research on animals' behavior recognition within and outside the field of Animal Computer Interaction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 86, 15 November 2017, Pages 235-246
نویسندگان
, , ,