最適なサンプリング率の選択と、偏りのない分類に向けた高精度な動物活動認識

概要: 深層学習手法の急速な進歩により、ウェアラブルセンサー支援による動物の行動認識（AAR）は有望な性能を示し、それによって畜産管理の効率化と、動物の健康および福祉のモニタリングの改善が実現されています。しかし、既存の研究はしばしば全体的な性能を優先する一方で、特定の動物行動カテゴリに対する分類精度がなお不十分であり得るという事実を見落としています。この問題は通常、サンプリングレートの不適切さ、またはクラス不均衡の問題に起因します。これらの課題に対処し、農場動物における個々の全ての行動に対して高い分類精度を達成するために、私たちは新しい個体行動対応ネットワーク（IBA-Net）を提案します。このネットワークは、特徴を同時にカスタマイズし、分類器をキャリブレーションすることで、各特定行動の認識を強化します。具体的には、異なる行動は最適な性能を得るために異なるサンプリングレートを必要とすることを踏まえ、Mixture-of-Experts（MoE）に基づく特徴カスタマイズ（MFC）モジュールを設計します。このモジュールは、複数のサンプリングレートからのデータを適応的に融合し、さまざまな動物の行動に合わせてカスタマイズされた特徴を捉えます。さらに、クラス不均衡により分類器が多数派クラスに偏ることを緩和するために、Neural Collapseに駆動された分類器キャリブレーション（NC3）モジュールを開発します。このモジュールは、分類段階において固定された等角緊密フレーム（ETF）分類器を導入し、対となる分類器ベクトル間の角度を最大化することで、少数派クラスに対する分類性能を向上させます。IBA-Netの有効性を検証するために、ヤギ、ウシ、ウマの活動認識を扱う3つの公開データセットで実験を行いました。その結果、提案手法はすべてのデータセットにおいて、既存の手法を一貫して上回ることが示されました。