Odhad pózy zvířat pomocí metod hlubokého učení

Abstract

Klasické metody sledování nejčastěji využívají GPS obojky, ale takový přístup je invazivní a umožňuje pozorovat pouze pohyb odchycených jedinců.Ke sledování pohybu zvířat se proto postupně začínají používat fotopasti. Využívá se unikátní kresby některých druhů zvířat k jejich identifikaci napříč jednotlivými snímky. Proces identifikace však vyžaduje experta, který jedince rozpozná. Pokud bychom byli schopni kresbu z obrázku získat a vzájemně porovnat s ostatními známými kresbami, proces identifikace by mohl být automatizován. Získání této kresby lze provést například s využitím odhadu 2D pózy zvířat a namapováním textury na tento odhad.Cílem této práce je navrhnout funkční model pro odhad pózy zvířat se zaměřením na rysa ostrovida za použití metod hlubokého učení.Classical tracking methods most often use GPS collars, but this approach is invasive and only allows to observe the movement of captured individuals.Therefore, photo traps are gradually being used to track the movement of animals. Unique drawings of some animal species are used to identify them across images. However, the identification process requires an expert to recognize the individual. If we were able to extract the drawing from the image and correlate it with other known drawings, the identification process could be automated. Obtaining this drawing could be done, for example, using an estimate of the 2D pose of the animal and mapping the texture to this estimate.The aim of this work is to propose a functional model for animal pose estimation, focusing on the lynx, using deep learning methods.