Studieren des Verhaltens von Bonobos durch Videoanalyse

Dieses Projekt konzentriert sich darauf, Bonobos zu finden und zu identifizieren, die eine Art von Menschenaffen sind, mithilfe von Videos, die in einem Zoo aufgenommen wurden. Das Hauptziel ist es, eine Methode zu entwickeln, um zu untersuchen, wie Bonobos sich verhalten, wenn sie mit Touchscreen-Geräten interagieren, und das ganz ohne Menschen. Dieser Ansatz nutzt moderne Technologie, um den Forschern zu helfen, das Verhalten der Bonobos besser zu verstehen.

#Erstellung eines Bonobo-Datensatzes

Zu Beginn wurde ein spezieller Datensatz erstellt, indem Videos von Bonobos im Zoo Berlin aufgenommen wurden. Die Videos wurden mit zwei Arten von Kameras gefilmt: einem digitalen Camcorder und einer einfachen Webcam. Die Aufnahmen hatten eine Auflösung von 1280x720 Pixel und 30 Bilder pro Sekunde. Der Camcorder wurde von Forschern bedient, die die Bonobos gut kannten, während die Webcam fest auf einem Gerät namens ZACI montiert war.

Beim Filmen hatten die Forscher das Ziel, einzelne Bonobos und deren Aktionen festzuhalten. Manchmal tauchten jedoch mehrere Bonobos im Filmmaterial auf oder waren vom Blick der Kamera verdeckt. Der Datensatz wurde um verschiedene Bonobos aufgebaut, die während dieser Aufnahmen anwesend waren, und bestand aus verschiedenen Clips mit sechs Bonobos unterschiedlichen Alters und Geschlechts.

#Bonobos Erkennen

Um Bonobos in den Videos zu identifizieren, wurde ein spezielles Tool von OpenMMLab verwendet. Dieses Tool wurde darauf trainiert, Makaken zu erkennen, die eine andere Art von Primaten sind, aber es stellte sich auch als effektiv zur Identifizierung von Bonobos heraus. Das Modell erzeugte Informationen darüber, wo sich die Bonobos in jedem Video-Frame befanden. Wenn mehrere Bonobos erkannt wurden, wurde nur der mit dem besten Vertrauenswert für die weitere Analyse ausgewählt.

#Aufteilung des Datensatzes

Nachdem die Bonobos in den Videos erkannt wurden, war der nächste Schritt, den Datensatz in verschiedene Teile für das Training und die Testung der Klassifizierungsmethoden aufzuteilen. Dies wurde auf zwei Arten gemacht:

1. Basierend auf der Erkennung: Es wurden Datensätze erstellt, die entweder erkannte Regionen von Interesse (ROI) enthielten oder nicht, und weiter basierend auf den Erkennungswerten aufgeteilt.

2. Basierend auf Videos pro Individuum: Der Datensatz wurde auch in drei Gruppen unterteilt: Training, Validierung und Test. Diese Trennung stellte sicher, dass ähnliche Bilder nicht in verschiedenen Sets verwendet wurden, was eine genauere Bewertung der Klassifizierungsmethoden ermöglichte.

#Klassifizierungsmethoden

Das Projekt hatte zum Ziel, verschiedene Methoden zur Klassifizierung von Bonobos zu vergleichen. Es gab zwei Hauptansätze:

1. Maschinenlern-Klassifikatoren: Es wurden mehrere traditionelle Maschinenlernmethoden verwendet, darunter logistische Regression, lineare Diskriminanzanalyse, Support Vector Machines und mehr. Diese Methoden basierten auf verschiedenen Merkmalen, die aus den Bildern extrahiert wurden, wie Textur und Farbinformationen.

2. Deep Learning-Klassifikatoren: Eine fortschrittlichere Methode war die Verwendung eines vortrainierten Deep Learning-Modells namens ResNet. Dieses Modell wurde auf zwei Arten getestet: erstens als Merkmals-Extraktor, bei dem nur die letzte Schicht des Modells retrainiert wurde; und zweitens, indem alle Schichten trainiert wurden, um die Genauigkeit zu verbessern.

#Ergebnisse der Studie

Nach der Anwendung verschiedener Klassifizierungsmethoden tauchten einige wichtige Muster auf:

#Erkennungsergebnisse

Die Erkennungsergebnisse waren begrenzt, da die verwendete Methode auf einem vortrainierten Modell basierte, das nicht speziell auf Bonobos zugeschnitten war. Obwohl einige Bonobos in stabilen Aufnahmen korrekt identifiziert wurden, wurden andere, wie Matayo, aufgrund niedriger Vertrauenswerte falsch identifiziert.

#Klassifizierungsergebnisse

Während der Kreuzvalidierungsphase zeigten die ersten Ergebnisse fast perfekte Genauigkeit, insbesondere bei Verwendung des Random Forest-Klassifikators. Als die Klassifizierung jedoch auf die Validierungs- und Testsets überging, fiel die Leistung ab. Dieser Rückgang war wahrscheinlich auf die hohe Ähnlichkeit der Daten während der anfänglichen Auswertung zurückzuführen, was die Notwendigkeit einer ordnungsgemässen Datenaufteilung verdeutlichte.

Die besten Ergebnisse kamen aus dem feinabgestimmten ResNet-Modell. Dieses Modell erzielte eine bemerkenswerte Genauigkeit von 75 %, als es die Bonobos bewertete. Allerdings hatten die Modelle Schwierigkeiten mit bestimmten Individuen, die weniger Proben im Datensatz hatten, was es schwieriger machte, sie korrekt zu klassifizieren.

#Herausforderungen und Beobachtungen

Eine der grössten Herausforderungen war das Ungleichgewicht im Datensatz. Einige Bonobos tauchten häufiger in den Aufnahmen auf, was zu einer besseren Klassifizierungsgenauigkeit für diese Individuen führte. Umgekehrt wurden weniger häufige Individuen oft falsch klassifiziert.

Das Team stellte auch fest, dass die Verwendung bestimmter Körperteile der Bonobos, wie dem Rücken oder den Gliedmassen, anstatt ihrer Gesichter die Klassifizierungsaufgabe erschweren könnte. Diese Erkenntnis deutet darauf hin, dass man in zukünftigen Studien den gesamten Körper oder die zeitlichen Bewegungen eines Bonobos in Betracht ziehen sollte.

#Fazit und zukünftige Richtungen

Diese Studie hat erfolgreich einen Workflow zur Erstellung von Datensätzen für die Bonobo-Erkennung und -Klassifizierung skizziert. Die Ergebnisse betonten die Bedeutung einer ordnungsgemässen Datenaufteilung, um echte Leistungskennzahlen zu erhalten. Während Deep Learning-Methoden wie ResNet deutliche Vorteile gegenüber traditionellen Ansätzen zeigten, blieben Herausforderungen bei der genauen Klassifizierung jedes einzelnen Bonobos aufgrund von Datenbeschränkungen.

In Zukunft gibt es Pläne, den Datensatz weiter zu verfeinern, indem Videos manuell annotiert werden. Dies wird eine bessere Bewertung der Erkennungsmethoden ermöglichen und die Qualität der Klassifizierungsergebnisse verbessern. Das Forschungsteam plant auch, zusätzliche Klassifizierungstechniken zu erkunden und die Verwendung temporaler Videodaten in Betracht zu ziehen, um die Verhaltensanalyse zu verbessern.

Zusammenfassend legt dieses Projekt den Grundstein für bessere Werkzeuge zur Untersuchung des Verhaltens von Bonobos und pave den Weg für ein verbessertes Verständnis dieser faszinierenden Primaten in ihrem natürlichen Umfeld.