编辑推荐：
在复杂实验室环境下，现有恒河猴检测方法欠佳。研究人员开展 MacqD 模型的研究，该模型结合 SWIN 变压器骨干网络，在多种挑战场景下检测效果优越，其泛化能力强。这为神经科学、动物福利等研究中的行为监测提供了有力工具。
在动物行为研究的广阔领域中，传统的监测方式，如现场观察和手动视频分析，就像是在黑暗中摸索。它们不仅耗费大量人力，容易受到观察者主观因素的干扰，而且在可扩展性和一致性方面也存在很大局限。随着科技的发展，机器学习为这一领域带来了新的曙光，在小鼠和果蝇等小型实验动物的行为分析中取得了显著成效。然而，对于与人类生物学和认知高度相似、在生物医学研究中至关重要的非人类灵长类动物（NHPs），尤其是恒河猴（Macaques）来说，检测它们的行为却困难重重。恒河猴灵活的关节、多样的姿势，以及在重叠场景中缺乏独特的毛发图案，都使得现有的检测方法难以准确地识别它们。在复杂的实验室环境中，当恒河猴被物体遮挡、受到玻璃反射或光线过度曝光的影响时，传统方法更是束手无策。因此，开发一种能够在复杂实验室条件下准确检测恒河猴的工具迫在眉睫。
英国纽卡斯尔大学（Newcastle University）等机构的研究人员为了解决这一难题，开展了关于恒河猴自动检测模型的研究。他们提出了 MacqD 模型，这是一种基于修改后的 Mask R-CNN 框架，并结合了 SWIN 变压器骨干网络的创新模型，旨在增强基于注意力的特征提取能力。相关研究成果发表在《Scientific Reports》上。
研究人员为开展此项研究，用到了以下几个主要关键技术方法：
- 数据收集：在英国纽卡斯尔大学的恒河猴研究设施中，收集了 20 只恒河猴的视频记录（Macaque data），还使用了来自法国认知科学研究所（Institut des Sciences Cognitives Marc Jeannerod）的视频（ISC dataset）。
- 模型构建：创建了 MacqD 模型，将其与其他模型如 SegNet、背景消除（BE）算法进行比较。
- 实验设计：设计了多个实验，包括在单只恒河猴和成对恒河猴的场景下测试模型性能，并评估跟踪算法对检测性能的影响。
- 性能评估：采用交并比（IoU）、精度（Precision）、召回率（Recall）和 F1 分数等指标评估模型性能。
研究结果如下：
- 实验 1：单只恒河猴的检测：在使用训练数据中相同个体的新视频记录（‘Same’数据集）进行测试时，MacqD - Macaque Single 模型表现卓越，其中位精度、召回率和 F1 分数均达到 0.99。在使用训练数据中未包含个体的视频记录（‘Different’数据集）进行测试时，该模型依然表现出色，中位精度为 0.99，召回率为 0.97，F1 分数为 0.95。与其他模型相比，MacqD - Macaque Single 在精度和 F1 分数方面具有显著优势12。
- 实验 2：成对恒河猴的检测：在‘Same’数据集测试中，MacqD - Macaque Curriculum 和 MacqD - Macaque Combine 模型的表现相似，中位 F1 分数分别为 0.9 和 0.87。在‘Different’数据集测试中，这两个模型的中位 F1 分数均为 0.81。它们在精度方面均显著优于 MacqD - Macaque Single 模型，且在处理成对恒河猴检测时，能有效区分部分重叠的个体，而 BE 模型则表现较差34。
- 实验 3：跟踪算法对检测性能的影响：在单只恒河猴数据集上，应用跟踪算法后，BE 模型的召回率显著提高，而在成对恒河猴数据集上，MacqD - Macaque Single 和 MacqD - Macaque Combine 模型的精度出现轻微下降。这表明跟踪算法虽然可以减少漏检，提高召回率，但也可能引入更多误检，降低精度56。
- 实验 4：在 ISC 数据集上的性能：在 ISC 数据集上测试 MacqD - Macaque Curriculum 和 MacqD - Macaque Combine 模型时，它们的 F1 分数均为 0.87。应用跟踪算法后，MacqD - Macaque Curriculum 的 F1 分数提升至 0.90，显示出该模型在不同数据集上的良好泛化能力7。
研究结论和讨论部分表明，MacqD 模型在检测单只和成对恒河猴方面表现出了强大的能力，即使在存在遮挡、玻璃反射和光线过度曝光等具有挑战性的场景下，也能准确检测。与 SegNet 等现有模型相比，MacqD 经过大量数据测试，对未见个体和不同设施的视频表现出更强的泛化性能。然而，MacqD 也存在一定的局限性，如由于计算需求高，无法用于实时应用，在不同环境（如户外围栏或移动相机录制）中的性能也有待测试，且在处理大型恒河猴群体时可能面临更多挑战。尽管如此，MacqD 仍然为神经科学、动物福利和生物医学研究中的行为监测提供了一个强大且通用的工具。它可以自动量化动物在笼子特定区域的活动时间，结合行为识别算法，还能极大地拓展神经科学和行为学研究的范围，为相关领域的发展带来了新的契机。
