伦敦帝国理工大学的一种新的机器学习工具可以帮助研究人员跟踪动物行为，并为人工智能在生物科学中的更多应用铺平道路。

生物学家经常借助收集有关集体和个人行为的数据来研究大量动物。新的机器学习工具有望帮助科学家更快地处理这项工作产生的大量数据，同时减轻工作量。

现在，一个名为replicAnt的新工具简化并精简了这些机器学习工具生成训练图像的方式，使其能够更快、更轻松地同时记录对昆虫等大量动物的观察结果。

动物数据库

现有的人工智能工具，为了提供一个学习数据库，需要用户煞费苦心地手工标注数百帧图像，为了解决这个问题，replicAnt只需轻点鼠标，就能自动创建成千上万张带标注的图像，并无缝地融合物种和环境的变化。最终，这些人工智能生成的数据可能会提高在动物研究中使用人工智能工具的速度和稳健性。

该研究成果发表在《自然-通讯》（Nature Communications）上。

该研究的主要作者、伦敦帝国理工大学生物工程系的研究员Fabian Plum说：“对大量动物进行研究和学习如何使用新工具需要大量时间。replicAnt降低了生物学家利用机器学习优化工作的门槛。”

伦敦帝国理工大学生物工程系第一作者和博士研究员Fabian Plum说：“了解动物的行为，特别是当我们的气候发生变化时，至关重要。我们希望我们的工具能够帮助人们更轻松、更快速地完成时间密集型的关键数据收集过程。”

该工具建立在研究团队以前的工具scAnt的基础上，scAnt是一种三维扫描仪，可以细致地拍摄小动物，生成高分辨率的小动物三维模型。scAnt生成的三维模型被用于使用三维软件虚幻引擎的replicant中，以生成用于在实验室和自然界中检测和跟踪动物的训练图像，从而解放研究人员的时间并简化他们的工作。

为了证明replicAnt的实用性，研究人员在这些图像上训练了神经网络（一套能够识别数据中潜在关系的算法）。这使得神经网络能够识别个体并跟踪他们在不同环境中的行动。对于其他研究者来说，对真实图像进行手工标注所需的时间减少了一个数量级。

Fabian补充说：“了了解动物的行为至关重要，尤其是当我们的气候发生变化时。我们希望我们的工具能够帮助人们更轻松、更快速地完成时间密集型的关键数据收集过程。”

进一步的应用可能包括利用实时运动数据为电影和视频游戏中的角色运动提供信息。

该项目由帝国理工大学校长博士奖学金（Imperial's President's PhD Scholarship）资助Fabian，并由欧洲研究理事会（ERC）根据“欧盟地平线2020”（European Union's Horizon 2020）研究与创新计划资助生物工程系的David Labonte博士。

BMEN202401060002
来源：伦敦帝国理工大学
标题：New tool to help AI track animals could boost biology research