Analysis and classification of collective behavior using generative modeling and nonlinear manifold learning

در این مقاله، چارچوبی برای تجزیه و تحلیل و طبقه بندی رفتار جمعی با استفاده از روش های مدل سازی مولد و یادگیری چندجملهای غیر خطی ایجاد می کنیم. ما یک گروه حیوانی را با یک مجموعه ای از ذرات با اندازه محدود نشان می دهیم و ویژگی های شناخته شده ساختار گروه و حرکت را از طریق یک کلاس از مدل های مولد برای قرار دادن هر ذره در یک سطح دو بعدی نشان می دهد. موقعیت ذرات پس از آن بر روی تصاویر تمرینی که برای تأکید بر ویژگی های مورد علاقه و مطابقت با فیلم های دور از حیوانات گروه های واقعی حیوانات پردازش می شوند، نقشه برداری می شود. تصاویر آموزشی به عنوان الگوهایی از الگوهای قابل تشخیص رفتار جمعی خدمت می کنند و به طور فشرده در یک فضای کم فضای نامیده می شوند که به عنوان منیفولد تعبیه شناخته می شود. دو نقشه برداری از چند منظوره مشتق شده است: نقشه برداری چند منظوره به تصویر، برای بازسازی تصاویر جدید و غیر قابل مشاهده از گروه و نقشه برداری چند منظوره به ویژگی اجازه می دهد تا طبقه بندی فیلم های خام بر اساس قاب. ما چارچوب ترکیبی را در مجموعه داده های سطح رو به رشد پیچیدگی تأیید می کنیم. به طور خاص، تصاویر مصنوعی را از مدل مولد تعریف می کنیم، مدل ذرات خود روبشی را تعامل می کنیم و فیلم های سرآشپز خام ماهیگیری که از ادبیات به دست می آید.