💻 computer science

PlayClass: Automated Play Behaviour Classification in Poultry

본 논문은 가금류의 상단 영상에서 놀이 행동을 분류하기 위해 장기간 추적과 기초 모델 임베딩을 결합한 자동화된 파이프라인인 PlayClass 를 소개하며, 가려짐과 놀이 및 비놀이 행동 간의 운동학적 유사성 같은 도전 과제에도 불구하고 77.0 의 매크로 평균 F1 점수를 달성합니다.

원저자: Prince Ravi Leow (Section for Health Data Science & AI, University of Copenhagen), Neil Scheidwasser (Section for Health Data Science & AI, University of Copenhagen, Department of Infectious Disease E

게시일 2026-05-27

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Prince Ravi Leow (Section for Health Data Science & AI, University of Copenhagen), Neil Scheidwasser (Section for Health Data Science & AI, University of Copenhagen, Department of Infectious Disease Epidemiology, Imperial College London), Rebecca Oscarsson (AVIAN Behaviour Genomics and Physiology Group, Linköping University), Per Jensen (AVIAN Behaviour Genomics and Physiology Group, Linköping University), Samir Bhatt (Section for Health Data Science & AI, University of Copenhagen, Department of Infectious Disease Epidemiology, Imperial College London), David Alejandro Duchêne (Section for Health Data Science & AI, University of Copenhagen)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

닭이 행복하고 건강하게 지내도록 하려는 농부라고 상상해 보세요. 오랫동안 과학자들은 닭이 아프거나, 다치거나, 스트레스를 받는 순간 (부정적 신호) 을 찾아내는 데는 뛰어났습니다. 하지만 닭이 놀거나, 뛰어놀거나, 벌레를 쫓아다니는 것과 같은 재미있는 순간은 대부분 무시해 왔습니다. 마치 누군가 창문을 부수는 순간에만 경보를 울리는 보안 카메라는 있지만, 아이들이 뒷마당에서 즐거운 시간을 보내는 순간은 알려주지 않는 것과 같습니다.

이 논문인 PlayClass는 닭을 위한 새로운 종류의 "재미 탐지기"를 만드는 것과 같습니다. 그들이 어떻게 했는지 간단히 설명해 드리겠습니다:

1. 과제: "군중 속의 닭" 문제

닭들은 서로 매우 비슷해 보이며, 빽빽하게 모여 큰 무리를 지어 움직입니다. 위에서 촬영하려 하면 닭들은 끊임없이 서로 부딪히고, 서로 뒤에 숨거나 군중 속에 사라집니다.

비유: 모두 같은 셔츠를 입고 있는 혼잡한 콘서트에서 특정 친구 한 명을 따라가는 상황을 상상해 보세요. 친구가 잠시 다른 사람 뒤에 사라지면, 그 친구를 놓치고 다른 사람을 따라가기 시작할 수 있습니다.
해결책: 팀은 스마트한 추적 시스템을 구축했습니다. "스포트터"(YOLO 라는 도구) 를 사용하여 추적 방식을 재설정할 최적의 순간을 찾아, 닭이 잠시 숨겨져 있더라도 특정 닭의 정체성을 잃지 않도록 했습니다. 또한 강력한 AI 도구 (SAM 3) 를 사용하여 모든 프레임의 모든 닭 주위에 디지털 윤곽선을 그렸습니다.

2. 데이터: 닭 놀이 도서관

그들은 15 분씩 45 마리의 어린 닭을 촬영한 30 개의 동영상을 기록했습니다.

준비: 닭들에게 장난감 벌레와 살아있는 벌레를 주어 놀게 했습니다.
레이블링: 인간 전문가가 동영상을 시청하고 닭들이 정확히 무엇을 하고 있는지 기록했습니다:
- 놀이: 빠르게 달리기, 점프하기, 날개 치기, 또는 벌레를 쫓아다니기.
- 비놀이: 그냥 걷기, 가만히 서 있기, 또는 평소처럼 땅을 쪼기.
문제: 대부분의 시간 동안 닭들은 놀지 않았습니다. 마치 도서관의 책 87% 가 지루한 교과서이고, 13% 만 흥미진진한 모험 이야기인 것과 같습니다. 컴퓨터는 "교과서"(정상적인 행동) 에 혼동되지 않고 드문 "모험 이야기"(놀이) 를 찾아내도록 학습해야 했습니다.

3. 두뇌: 컴퓨터에게 "놀이"를 보게 하기

연구진은 컴퓨터에게 "놀이"가 무엇인지 가르치는 두 가지 다른 방법을 시도했습니다:

방법 A: "수학적 탐정"(수작업 특징)
컴퓨터에 전체 동영상을 보여주는 대신, 닭의 움직임을 설명하는 숫자 목록을 주었습니다: 얼마나 빠르게 가고 있나? 날카롭게 방향을 바꾸고 있나? 모양의 크기는 얼마나 큰가?
- 결과: 이는 놀라울 정도로 좋았습니다! 움직임의 수학만으로도 컴퓨터는 약 **73%**의 정확도를 보였습니다. 이는 놀이가 매우 특정한 "춤"을 가지고 있음을 증명했습니다.
방법 B: "미술 학생"(기반 모델)
그들은 인터넷의 동영상을 이미 학습한 거대하고 사전 훈련된 AI 두뇌 (V-JEPA 2.1 과 같은) 를 사용했습니다. 그리고 이 AI 두뇌들에게 닭 동영상을 보고 행동을 추측하도록 요청했습니다.
- 결과: "미술 학생"(V-JEPA 2.1) 은 시각적 이야기를 이해하는 데 가장 뛰어났습니다. "재미로 달리는 것"과 "도망치기 위해 달리는 것" 사이의 미묘한 차이를 찾아내는 데 더 능숙해졌습니다.
슈퍼 콤보: "수학적 탐정"(움직임 숫자) 과 "미술 학생"(시각적 이해) 을 결합했을 때, 그들은 최고 점수에 도달했습니다: 77% 정확도.

4. 여전히 어려움을 겪는 부분

이 똑똑한 시스템으로도 컴퓨터는 때때로 혼란을 겪습니다.

"닮은꼴" 문제: 때로는 닭이 놀기 위해 빠르게 달리고, 다른 때는 무서워서 빠르게 달립니다. 카메라에게는 둘이 정확히 똑같이 보입니다. 컴퓨터는 항상 그 차이를 구별할 수 없습니다.
"숨기" 문제: 닭들이 서로 위로 쌓여 있을 때 (가려짐), 컴퓨터는 누가 누구인지 추적하는 것을 잃어 실수가 발생합니다.

결론

이 논문은 닭이 trouble 에 처했을 때뿐만 아니라, 즐거워할 때를 자동으로 찾아낼 수 있음을 보여줍니다.

핵심 교훈: 이를 위해 초복잡한 AI 가 필요하지 않습니다. 단순한 움직임 수학이 가장 진보된 AI 와 거의 같은 효과를 냅니다. 그러나 둘을 결합하면 가장 좋은 결과를 얻을 수 있습니다.
목표: 이는 아직 미래를 예측하거나 질병을 치료하는 것이 아닙니다. 이는 가축의 긍정적 복지(행복/놀이) 를 측정할 수 있는 시스템을 구축할 수 있음을 증명하는 것이며, 동물이 어떻게 느끼는지 이해하는 데 있어 큰 진전입니다.

기술 요약: PlayClass – 가금류의 자동화된 놀이 행동 분류

문제 제기

자동화된 동물 복지 모니터링은 역사적으로 부정적 지표 (질병, 통증 등) 에 초점을 맞춰 왔으며, 놀이와 같은 긍정적 복지 행동은 크게 간과되어 왔습니다. 컴퓨터 비전이 동물 포즈 추정 및 추적을 발전시켰음에도 불구하고, 가금류에 이를 적용하는 것은 고유한 어려움을 수반합니다. 시각적으로 유사한 개체들이 밀집해 있어 빈번한 가림 현상과 개체 식별 혼란이 발생하기 때문입니다. 또한, 놀이 행동은 데이터 부족, 정의의 모호성 (놀이와 비놀이 행동이 종종 유사한 운동 패턴을 공유함), 그리고 빠른 상태 전환으로 인해 자동 분류가 본질적으로 어렵습니다. 기존 연구는 가금류의 개체 수준에서 자동화된 놀이 행동 분류를 다루지 않았습니다.

방법론

저자들은 상단에서 촬영한 가금류 펜 비디오에서 개체 수준의 놀이 행동을 분류하도록 설계된 PlayClass 파이프라인을 제시합니다. 이 시스템은 세 가지 핵심 구성 요소를 통합합니다:

1. 추적 전략 (적응형 청킹을 활용한 SAM 3)

GPU 메모리 제한과 오차 누적으로 인해 종단 간 추적이 제한되는 15 분 녹화 영상을 처리하기 위해:

청킹: 비디오는 60 초 단위로 처리됩니다.
초기화: 추적은 텍스트 프롬프트 ("bird") 또는 적응형 그라운딩 전략 (첫 5 초 동안 SAM 3 를 실행하여 높은 신뢰도와 잘 분리된 프레임을 찾음) 으로 초기화됩니다.
식별 유지: 청크 간 식별 전환을 최소화하기 위해 시스템은 YOLO 기반 청크 경계 선택을 사용합니다. YOLO 감지기와 BoT-SORT 추적기는 개체 간 최대 분리도를 가진 프레임을 식별하여 청크 경계로 활용함으로써 강력한 식별 전이를 가능하게 합니다.
출력: 이 파이프라인은 30 개 영상 (45 개체) 에서 180 만 개 이상의 추적 마스크와 경계 상자를 생성합니다.

2. 특징 추출

시스템은 관찰 윈도우당 두 가지 보완적인 특징 스트림을 추출합니다:

수동 제작 운동 특징: 추적된 마스크에서 파생된 프레임당 19 개의 특징으로, 공간적 형태 (면적, 견고성), 시간적 역학 (속도, 가속도), 그리고 사회적 맥락 (타인과의 거리) 을 포착합니다. 이를 통계적 모멘트와 백분위수를 사용하여 171 차원 벡터로 요약합니다.
기반 모델 임베딩: 파이프라인은 이미지 및 비디오 기반 모델의 고정된 임베딩을 평가합니다:
- 이미지 모델: DINOv3 (경계 상자 컷에서 CLS 토큰 임베딩 추출).
- 비디오 모델: V-JEPA 2, V-JEPA 2.1, VideoPrism (중첩되지 않는 클립을 처리하고 공간적으로 평균 풀링 수행).

3. 분류 아키텍처

이 작업은 3 클래스 분류 문제입니다: 이동성 놀이, 대상 놀이, 그리고 기타 (비놀이).

클래스 불균형: 데이터셋은 심각하게 불균형합니다 (기타 86.7%, 대상 놀이 9.3%, 이동성 놀이 4.0%).
모델: 평균 풀링된 특징에 대한 다층 퍼셉트론 (MLP) 과 시간 신호를 보존하는 1D-CNN 두 가지 아키텍처가 테스트되었습니다.
검증: 환경적 누출을 방지하고 모델이 서로 다른 물리적 케이지 간에 일반화되도록 Leave-One-Cage-Out (LOCO) 교차 검증 전략이 사용되었습니다.

주요 결과

이 연구는 14,515 개의 윈도우로 주석된 45 마리의 붉은 야생닭 × 화이트 레그혼 병아리를 대상으로 한 30 개 녹화 데이터셋에서 평가되었습니다.

기선 성능: 단순 MLP 를 통해 처리된 수동 제작 운동 특징만으로도 73.4 의 매크로 평균 F1 점수를 달성하여, 학습된 시각적 표현 없이도 강력한 기선을 확립했습니다.
기반 모델 성능: 고정된 백본 중 V-JEPA 2.1이 ViT-B 및 ViT-L 규모 모두에서 DINOv3, VideoPrism, V-JEPA 2 를 포함한 모든 다른 모델보다 일관되게 우수한 성능을 보였습니다.
최고 성능: 수동 제작 특징과 V-JEPA 2.1 (ViT-L) 임베딩을 결합한 하이브리드 접근법이 77.0 의 매크로 평균 F1으로 최고 성능을 기록했습니다.
확장성: 모델 크기 증가 (예: DINOv3 에서 ViT-H 로) 는 미미한 향상만 가져와, 이 특정 도메인에서는 표현이 일찍 포화 상태에 도달함을 시사합니다.
오류 분석:
- 모델은 대상 놀이 (재현율 66.1%) 에서 가장 어려움을 겪었으며, 종종 이를 "기타"로 잘못 분류했습니다.
- 오류는 운동학적 모호성(예: "웜 쪼기"가 비놀이와 유사한 운동 프로필을 공유함) 과 가림 현상에 의해 주도되었습니다.
- 노니기(이동성 하위 유형) 는 고유한 다방향 이동 시그니처로 인해 높은 재현율 (88%) 을 보이며 뚜렷한 군집을 형성했습니다.
- 밀집도는 대상 놀이 정확도에 상당한 영향을 미쳤습니다 (Spearman $\rho = 0.17$ ).

중요성과 주장

본 논문은 가금류의 개체 수준 놀이 행동 분류를 위한 최초의 자동화 프레임워크를 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다:

강력한 추적 파이프라인: YOLO 기반 청킹과 적응형 그라운딩을 통해 SAM 3 를 장시간 녹화에 확장하여 빈번한 가림 현상 속에서도 식별을 유지합니다.
기반 모델 벤치마킹: 이미지 기반 및 기타 비디오 모델을 능가하는 동물 행동 분류를 위한 우월한 백본으로 V-JEPA 2.1 을 확립합니다.
놀이 인식에 대한 통찰: 고정된 비디오 표현이 보완적 신호를 제공하지만, 수동 제작 운동 및 형태 특징만으로도 강력하고 해석 가능한 기선 (73.4 F1) 을 구성함을 보여줍니다. 이는 가금류 놀이에서 작업 관련 신호의 상당 부분이 운동 및 근접 통계에 의해 포착됨을 시사합니다.

저자들은 파이프라인이 자동화된 놀이 탐지에 대한 유망한 증거를 보이지만, 가림 현상과 놀이 하위 유형의 정의적 모호성에 대한 과제가 남아 있다고 결론지었습니다. 그들은 현재 식별 수정을 위한 수동 후처리 의존성이 완전한 자율 배포를 제한한다고 지적하며, 향후 연구는 도메인 적응형 사전 학습과 개선된 청크 간 식별 매칭에 초점을 맞춰야 한다고 제안합니다.