Обычные системы, такие как DeepLabCut (maDLC) и SLEAP, используют кадры видео для определения движений животных без маркеров. Они хорошо работают, когда животные не мешают друг другу, но в толпе или когда они прячут друг друга, эти методы дают сбои.

Чтобы решить эту проблему, Хироцугу Азехи и Сусуму Такахаши из Университета Дошиша (Япония) придумали новый метод — vmTracking. Он использует виртуальные метки для животных, чтобы их можно было легко отслеживать, даже если они выглядят одинаково. Их исследование вышло в журнале PLOS Biology 10 февраля 2025 года.

Раньше можно было отслеживать только животных с разной окраской, например, черных и белых мышей. Но vmTracking позволяет работать с животными, которые выглядят одинаково. Доктор Азехи объясняет:

Мы берем данные из обычного отслеживания и превращаем их в виртуальные метки. Эти метки помогают отслеживать животных, даже если они перемешались.

Как это работает

• Сначала система отслеживает несколько животных и создает файл с результатами.
• Затем каждому животному присваивается виртуальная метка.
• После этого система анализирует видео с этими метками, чтобы точно определить позы животных.

Чтобы проверить, как vmTracking справляется со сложными условиями, его протестировали на черных мышах на черном фоне. Даже когда мыши скрывались друг за другом, система работала лучше, чем maDLC. А на белом фоне vmTracking показал еще более высокую точность.

vmTracking почти не требует ручной работы и хорошо справляется с ситуациями, когда животные мешают друг другу, — говорит Азехи.

Систему также проверили на рыбах и даже на танцорах. В обоих случаях точность была выше 99%. Это значит, что vmTracking можно использовать не только для животных, но и для анализа спорта, например, футбола или баскетбола.

Преимущества vmTracking

• Минимум ручной работы.
• Высокая точность даже в сложных условиях.
• Подходит для разных видов, включая людей.

vmTracking — это мощный инструмент для изучения поведения животных и не только. Он решает сложные задачи, связанные с отслеживанием, и дает точные результаты, — заключает Азехи.

В будущем ученые хотят изучить, как количество, цвет и расположение виртуальных меток влияют на точность системы. Это поможет улучшить метод и лучше понять поведение животных в группах.

Ранее ученые разработали метки для белых медведей, чтобы отслеживать их перемещение в живой природе.