人工智能革命: 无标记姿态撷取技术颠覆影片录像收藏

哪些神经回路驱动适应运动行为?  这些行为在神经编码中又如何表现呢?  哈佛大学罗兰研究中心(Rowland Institute)的马蒂斯实验室Mathis Lab 研究人员透过脑/行为互动研究，揭示了这些问题的答案。

 由马蒂斯Mackenzie Mathis博士所领导的团队「[目的]在于了解神经回路对于适应性运动行为所产生的影响」 其研究的挑战在于将特定的行为与特定脑部活动相连结以老鼠作为研究个体，这些科学家们使用The Imaging Source DMK 37BUX287相机进行高速录像，结合实验室自行开发的开源软件工具DeepLabCut所写成的机器学习算法，来追踪老鼠的行为事件及相应其脑部活动。

马蒂斯实验室(Mathis Lab)的研究人员藉由机器学习工具及光遗传学原理，了解神经回路对于适应性运动行为的影响 照片来源: Cassandra Klos 就本质上，研究人员必须能够精确且全面地追踪老鼠的行为并提供定量数据，来描述动物的动态。

 马蒂斯博士表示:「我们想了解动物们如何适应环境，而观察牠们的运动行为是一个很好的开始，以阐释大脑如何达成这些任务 因此，研究计划的第一步就是在动物学习新任务时对其进行观察」 其团队借重DMK 37BUX287所构成的多相机影像追踪系统。

他们的研究个体行动相当快速，马蒂斯博士接着表示:「…老鼠能够在大约200毫秒内快速地触及并抓取物体，因此我们必须采用高帧速率且优质分辨率的相机」影片录像是有效记录动物行为的一种方法，然而撷取姿态(即多个身体部位的几何构型) ，多年来一直是研究人员的一项难题。

 在人体研究领域中，先进的动态捕捉可透过标记来追踪关节和四肢动作 然而，基于种种因素，运用于研究动物体上，这种方法却不切实际 也就是说，至今，人们仍然使用手动数字元录像方式来追踪动物行为 (即以人工方式逐帧编码标注影片) – 这种劳力密集的过程往往导致结果不够精确，且额外增加了数百甚或数千小时的研究时间。

近期，DeepLabCut装备两台DMK 37 BUX287相机以捕捉高速录像，并藉由其影像帧数进行无标记3D姿态撷取影像来源: Cassandra Klos 为了自动撷取研究个体的姿态，马蒂斯博士团队开发了DeepLabCut: 一套开源软件，由用户自定义身体部位的无标记姿态估算。

根据(人体)姿态估计算法DeeperCut，研究人员使用基于深度卷积神经网络(CNN)的算法，专门针对此项任务进行训练根据《Nature Neuroscience自然神经科学》期刊中所发表的一篇论文，作者表述该团队藉由「调整预训练过的模块运用至新的任务上[....过程经由] 即被称为迁移学习(transfer learning)的现象。

」而得以显著地减少所必要的训练数据的数据量 DeepLabCut编程库具稳健性且高效率，即使是相对少量的图像(约200)，「其算法亦能达到极佳的追踪表现」许多科学家们皆赞誉此软件套件是一项颠覆传统、完全崭新的发展。

 马蒂斯实验室也使用了The Imaging Source 的IC Capture并增添The Imaging Source相机应用程序camera control API至GitHub

DeepLabCut 自动追踪及标记(红、白、蓝点)老鼠的动态。 影像来源: Mackenzie Mathis

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。