基于YOWOvG深度学习的白眉长臂猿行为视频识别：提升圈养动物福利管理的时空动态分析方法

【编辑推荐】针对圈养白眉长臂猿(Hoolock leuconedys)行为监测难题，研究人员创新性地构建首个人工标注时空行为数据集，开发集成SE注意力机制与GELAN的YOWOvG模型。在69,919标注帧上实现85.20% Frame-mAP，较基线提升6.3%，显著提升攀爬(Climbing)和行走(Walking)等动态行为识别精度，为野生动物救助中心提供非侵入式智能监测方案。

　　

在动物保护领域，精确监测白眉长臂猿(Hoolock leuconedys)的行为模式对评估其福利状况至关重要。传统人工观察和单帧分析方法存在效率低下、难以捕捉连续动作等局限。这项突破性研究建立了首个针对该物种的人工标注时空行为数据库，涵盖休息(Resting)、社交(Socializing)、攀爬(Climbing)和行走(Walking)四大类共69,919帧标注数据。

研究团队创新性地提出YOWOvG深度学习架构，通过引入通道注意力机制(SE block)和广义高效层聚合网络(GELAN)强化特征提取能力。该模型在视频流行为识别测试中展现出85.20%的帧平均精度(Frame-mAP)，较基线模型提升6.3个百分点。特别值得注意的是，即便面对数据分布不均衡的挑战，模型对动态行为（如攀爬和行走）的识别性能仍获得显著改善。

这项技术突破实现了三大创新：1）首次将时空动态建模应用于灵长类动物行为分析；2）通过注意力机制有效捕捉细微行为特征；3）保持计算效率的同时提升识别精度。实验数据证实，这种非侵入式视频监测方案能灵敏捕捉动物行为模式的微妙变化，为野生动物救助中心的精细化管理工作提供了可扩展的技术框架。

展望未来，研究团队计划拓展行为分类体系，重点开发刻板行为(Stereotypic behavior)的自动识别模块，并探索融合声学特征的多模态监测方案。这项研究为圈养野生动物的"行为信息驱动管理"建立了新范式，其技术路线可推广至其他濒危物种的保护实践。