Розпізнавання поведінки лабораторних тварин у реальному часі

Скорочена інформація про документ
dc.contributor.advisorСтіренко, Сергій Григорович
dc.contributor.authorПетрик, Віталій Віталійович
dc.date.accessioned2021-06-18T12:40:13Z
dc.date.available2021-06-18T12:40:13Z
dc.date.issued2021-05
dc.description.abstractenAutomated observation and analysis of animal behavior is an important part of research in neurology and pharmacology. Although deep learning models show high results in recognizing human actions, they are insufficiently studied in tasks of recognizing animal behavior due to the lack of dataset. In this work, we created our own dataset, consisting of 919 short clips, and investigated the modern model I3D and model R(2+1)D to solve the problem of recognizing mouse behavior. We achieved an accuracy of 96.3% and 95.8%, respectively. We also demonstrated the effect of two-stream fusion ratios on prediction perfomances. The results showed that the use of pre-trained models of deep learning can exceed the accuracy of models from previous studies.uk
dc.description.abstractruАвтоматизированное наблюдение и анализ поведения животных является важной частью исследований в области неврологии и фармакологии. Хотя модели глубокого обучения показывают высокие результаты в задачах распознавания действий человека, они недостаточно изучены при применении к задачам распознавания поведения животных из-за отсутствия необходимой выборки данных. В этой работе мы создали собственную выборку данных, состоящий из 919 коротких клипов, и исследовали современные модели I3D и модель R(2 +1)D для решения задачи распознавания поведения мыши. Мы достигли точности до 96.3% и 95.8% соответственно. Мы также продемонстрировали влияние коэффициентов слияния двух потоков моделей на точность прогнозов. Результаты показали, что использование предварительно натренированных моделей глубокого обучения может превзойти точность моделей из предыдущих исследований.uk
dc.description.abstractukАвтоматизоване спостереження та аналіз поведінки тварин є важливою частиною досліджень у галузі неврології та фармакології. Хоча моделі глибокого навчання показують високі результати в завданнях розпізнавання дій людини, вони недостатньо вивчені при застосуванні до задач розпізнавання поведінки тварин через відсутність необхідної вибірки даних. У цій роботі ми створили власну вибірку даних, що складається з 919 коротких кліпів, та дослідили сучасні модель I3D та модель R(2+1)D для вирішення завдання розпізнавання поведінки миші. Ми досягли точності до 96.3% та 95.8% відповідно. Ми також продемонстрували вплив коефіцієнтів злиття двох потоків моделей на точність прогнозів. Результати показали, що використання попередньо натренованих моделей глибокого навчання може перевершити точність моделей з попередніх досліджень.uk
dc.format.page64 с.uk
dc.identifier.citationПетрик, В. В. Розпізнавання поведінки лабораторних тварин у реальному часі : магістерська дис. : 121 Інженерія програмного забезпечення / Петрик Віталій Віталійович. – Київ, 2021. – 64 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/41623
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectглибоке навчанняuk
dc.subjectрозпізнавання поведінкиuk
dc.subjectлабораторні твариниuk
dc.subjectрозпізнавання з відеоuk
dc.subjectрозпізнавання рухівuk
dc.subject.udc004.93uk
dc.titleРозпізнавання поведінки лабораторних тварин у реальному часіuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Petryk_magistr.docx
Розмір:
7.86 MB
Формат:
Microsoft Word XML
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ОТ)
Магістерські роботи