编辑推荐：
为解决太空动物行为分析数据匮乏及现有方法在复杂太空环境中性能下降的问题，研究人员开展 SpaceAnimal Dataset 数据集相关研究。构建包含线虫、果蝇和斑马鱼数据的多任务数据集，评估多种模型。该数据集推动太空动物行为分析发展。
在浩瀚宇宙探索的征程中，太空环境对生命的影响一直是科学界关注的焦点。中国空间站（CSS）为研究长期微重力对生物体的影响提供了理想平台。利用空间站开展的生命科学实验，涉及线虫（C. elegans）、果蝇和斑马鱼等模式生物，积累了大量观测图像和视频数据 。然而，要从这些数据中精准分析动物行为并非易事。
目前，基于深度学习的姿态估计和跟踪方法虽在地面动物行为分析中取得一定成果，如 DeepLabCut 能跟踪小鼠、猕猴和小鱼的姿态，但在太空复杂环境下却遭遇重重困难。太空实验存在成像清晰度低、干扰多、遮挡严重、光照变化和运动模糊等问题，而且实验常将大量相似动物集中在狭小空间培养，增加了分析难度。更重要的是，太空动物在微重力下的姿态和运动模式与地球重力环境差异巨大，同时，微重力条件下动物姿态估计和跟踪的公开数据集匮乏，严重阻碍了新方法的有效评估和发展 。
为攻克这些难题，中国科学院空间应用工程与技术中心等机构的研究人员开展了深入研究 。他们构建了 SpaceAnimal Dataset 数据集，这是首个用于复杂场景下多动物行为分析的多任务、经专家验证的数据集，涵盖线虫、果蝇和斑马鱼的检测、姿态估计和跟踪任务。该研究成果发表在《Scientific Data》上，为太空动物行为分析领域带来了新的曙光 。
研究人员采用了多种关键技术方法。在成像方面，利用中国空间站问天实验舱的微成像和宏观成像设备获取数据，线虫数据源于小生物通用培养模块的在轨显微观测视频，斑马鱼和果蝇数据则分别来自小生物控制实验模块模拟太空培养条件的实验 。在数据处理上，精心挑选实验视频，依据多种标准确保数据的多样性和丰富性。利用 Labelme 工具进行图像标注，构建多任务注释系统，并通过专家交叉验证保证注释质量 。为评估数据集有效性，选用多种先进的深度学习姿态估计模型在数据集上训练和测试，还采用检测跟踪方法评估姿态跟踪性能 。
下面来看具体的研究结果：
- 数据集构建：线虫子集约有 7,000 张标注图像，超 15,000 个实例；斑马鱼子集有 560 张标注图像，约 2,200 个实例；果蝇子集超 410 张标注图像，近 4,400 个实例。这些数据为后续研究提供了丰富资源 。
- 姿态估计模型评估：研究选用 HRNet、VITPose 等多种模型进行实验。结果显示，VITPose 在多数数据集上表现出色，在秀丽隐杆线虫和果蝇数据集上 AP 值分别达 0.727、0.737，AR 值分别为 0.779、0.779；在斑马鱼数据集上，虽 DEKR 的 AP 值略高，但 VITPose 的 AR 值更高，综合性能更优。这表明 VITPose 能更好地处理复杂姿态，其 Transformer 架构和多尺度融合模块发挥了重要作用 。
- 姿态跟踪评估：评估 ByteTrack 和 OC-SORT 等检测跟踪方法后发现，不同算法在不同数据集上性能各异。在秀丽隐杆线虫数据集上 VITPose_OC-SORT 表现最佳；斑马鱼数据集上 VITPose_ByteTrack 最优；果蝇数据集则是 DEKR_OC-SORT 表现最好 。这说明不同方法对不同数据集适应性不同，为算法改进提供了方向 。
- 可视化结果：用最佳模型对验证集推理并可视化，发现当前模型在单目标或个体检测跟踪上表现良好，但在严重遮挡、重叠、纠缠和运动模糊等复杂场景下性能下降 。
综合来看，研究人员成功构建了 SpaceAnimal Dataset 数据集，为太空动物姿态估计和跟踪算法的开发与评估提供了重要基准 。通过对多种模型和算法的评估，明确了不同方法在该数据集上的性能表现，为后续研究指明了方向 。不过，目前的方法在复杂场景下仍有不足，未来需进一步开发算法模型，以实现复杂场景下连续、高精度的姿态估计和跟踪，满足太空动物细粒度行为分析的需求 。这一研究成果对推动太空生命科学发展意义重大，有助于人类深入了解太空动物行为模式，为长期太空旅行和探索提供理论支持 。
