.png){kind=icon}
返回
A Deep Learning Framework for Multi-Object Tracking in Space Animal Behavior Studies
.png){kind=icon}
PRE
AI
DOI：10.3390-ani15162448.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在空间环境中，微重力、高辐射和弱磁场会导致动物行为发生改变，从而产生不规则的运动模式，使追踪变得复杂。这些挑战阻碍了行为分析的准确性，尤其是在多目标场景中。为解决此问题，本研究提出了一种基于深度学习的多目标追踪（MOT）框架，专门针对空间中的动物设计。所提出的方法通过双流输入分离外观和运动特征，并采用模态特定编码器（MSEs），这些编码器通过异构图网络融合，以建模跨模态的时空关系。此外，还集成了目标重检测模块，以在遮挡或快速运动期间保持身份连续性。该方法使用公开的空间观测果蝇（Drosophila）和斑马鱼（zebrafish）数据集进行验证，实验结果表明其性能优于现有的追踪方法。这项工作突显了人工智能作为行为研究中有价值工具的潜力，能够在极端空间条件下实现可靠的动物追踪与分析，并支持未来空间生命科学的研究。
Keyword:
deep learning
multi-object tracking
space animals
behavioral analysis
heterogeneous graph network
期刊
IF:
2.7
论文数:
6.4K
被引数:
5.1W
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Fazzari, E.; Romano, D.; Falchi, F.; Stefanini, C. Animal Behavior Analysis Methods Using Deep Learning: A Survey. Expert Syst. Appl. 2025, 289, 128330. [Google Scholar] [CrossRef]Fazzari, E.; Romano, D.; Falchi, F.; Stefanini, C. 使用深度学习的动物行为分析方法：综述. 专家系统与应用. 2025, 289, 128330. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏China's National Space Station: Opportunities, Challenges, and Solutions for International CooperationSpace Policy
Space PolicyIF0
PREAI
分享收藏Exploring the Effects of Spaceflight on Mouse Physiology using the Open Access NASA GeneLab PlatformOAAI
OAAI分享收藏Long 3D-POT: A Long-Term 3D Drosophila-Tracking Method for Position and Orientation with Self-Attention Weighted Particle FiltersLong 3D-POT：一种基于自注意力加权粒子滤波器的长时3D果蝇定位与姿态跟踪方法
OAAI
OAAI分享收藏
查看更多内容