深度学习算法准确追踪动物运动

　　根据英国《自然·神经科学》杂志8月21日在线发表的一项研究，美国哈佛大学团队运用一种新型深度学习算法，成功追踪动物运动及行为，其准确度可达到人工水平，而且无需采用追踪标记物或进行费时的手动分析。专家认为，这一成果打开了海量的数据来源之门。

　　准确追踪行为发生期间的身体运动部位是运动科学的一项重要内容。但是，如果采用视频记录方式来追踪运动，研究人员要么需要费时费力地标记每一帧，要么需要在研究对象身体的预定点上放置标记物。而标记物可能干扰研究目标的行为，而且一般只适合有限类型的运动。

　　此次，哈佛大学科学家团队利用机器学习开发了一款开源运动追踪工具，名为“DeepLabCut”，它不受以上限制。研究团队先采用一个大型目标识别图像数据库对“DeepLabCut”进行了预训练。之后，“DeepLabCut”只需要接受小规模的人类标记图像（约200张）训练，即可完成一项新的追踪任务，从而方便神经科学家研究动物行为。

　　研究人员演示了这种算法，其可以在无需标记物的情况下，追踪小鼠和苍蝇在各种行为期间的任意身体部位运动，而且准确度可达到人工水平。“DeepLabCut”可以追踪精细的动作，如果蝇产卵、伸吻，以及小鼠伸爪时每一个指的轨迹。

　　在相应的新闻与观点文章中，中国北京大学魏坤琳与美国宾夕法尼亚大学康拉德·考丁表示，“DeepLabCut”在理论上适用于任何视频，从而为运动科学打开了巨大的数据来源之门。他们预计，未来“运动捕捉将从实验室内的一项艰难而又耗资不菲的任务，变成一项每个人在日常生活中就能完成的小事情”。