Pig behavior dataset

该数据集由Bergamini等（2021年）公开发布的猪视频数据集基础上，进行了额外的标注。原始数据集包含1783个1分钟MP4视频片段，主要研究5种行为：站立、躺下、移动、进食和饮水。数据集提供了帧级别的行为标注，并使用Intel RealSense D435i相机在地面以上2.5米处收集数据，能够捕捉到猪行为的时空特征，有助于智能养殖和猪福利保障的研究。

This dataset is augmented with additional annotations based on the porcine video dataset publicly released by Bergamini et al. (2021). The original dataset comprises 1783 1-minute MP4 video clips, focusing on five pig behaviors: standing, lying, moving, eating, and drinking. It provides frame-level behavioral annotations. The data was collected using an Intel RealSense D435i camera mounted 2.5 meters above the ground, which can capture the spatiotemporal features of pig behaviors. This dataset serves as a valuable resource for research on intelligent livestock farming and pig welfare protection.

搜集汇总

数据集介绍

构建方式

Pig behavior dataset的构建基于对猪的行为进行详细的视频标注，包括13种与猪的福利密切相关的行为。原始数据集包含了1,783个一分钟的MP4视频片段，包括8头背部有特殊标记的猪，主要研究了5种行为：站立、躺下、移动、进食和饮水。为了提高数据集的通用性和实用性，研究人员对原始数据集进行了重新组织和标注，新增了8种行为，并特别关注了行为的区别，尤其是重叠行为。最后，基于AV数据集的组织结构，对8头猪在1200秒的视频片段中的行为进行了标注，共标注了近19,200个边界框。

特点

Pig behavior dataset的特点包括：1）数据集包含了13种与猪的福利密切相关的行为，如站立、躺下、移动、进食、饮水、玩耍、打斗、嗅触猪、站起来、躺下等；2）数据集提供了详细的视频标注，包括猪的ID、行为、以及行为发生的时空位置信息；3）数据集使用了不同的采样率对视频进行了处理，以便更好地捕捉猪的行为特征。

使用方法

Pig behavior dataset的使用方法包括：1）数据集可用于训练和评估猪的行为识别模型；2）数据集可用于研究猪的行为特征和行为规律；3）数据集可用于开发猪的行为监控系统和智能养殖系统。

背景与挑战

背景概述

在智能农业和猪福利保障领域，猪行为识别扮演着至关重要的角色。现有的猪行为识别领域缺乏公开可用的行为数据集，这不仅限制了创新算法的发展，还阻碍了模型鲁棒性和算法优化的提升。为了解决这个问题，研究人员提出了一种包含13种对猪福利有显著影响的猪行为数据集。基于这个数据集，研究人员提出了一个基于注意机制的时空感知和增强网络，用于建模猪行为的时空特征及其在视频数据中的相关交互区域。该网络由时空感知网络和时空特征增强网络组成，时空感知网络负责建立猪与视频中行为的关键区域之间的联系，而时空特征增强网络则通过重塑这些联系来进一步强化单个猪的重要空间特征，并捕捉单个行为时空特征的长期依赖性，从而增强模型对猪行为时空变化的感知能力。实验结果表明，在本文提出的模型在数据集上实现了75.92%的MAP得分，比表现最好的传统模型提高了8.17%。这项研究不仅提高了单个猪行为识别的准确性和泛化性，还为现代智能农业提供了新的技术工具。数据集和相关代码将随本文一同公开。

当前挑战

猪行为识别领域面临的主要挑战包括：1)缺乏公开可用的行为数据集，限制了创新算法的发展和模型的鲁棒性；2)猪行为识别算法的设计，传统的分类模型往往无法明确地模拟猪与其周围环境的关键交互区域，导致模型性能下降。此外，传统的行为识别算法通常只关注特定行为，导致模型在实际农场场景中的鲁棒性有限。为了解决这些问题，研究人员提出了一个基于注意机制的时空感知和增强网络，用于建模猪行为的时空特征及其在视频数据中的相关交互区域。该网络由时空感知网络和时空特征增强网络组成，时空感知网络负责建立猪与视频中行为的关键区域之间的联系，而时空特征增强网络则通过重塑这些联系来进一步强化单个猪的重要空间特征，并捕捉单个行为时空特征的长期依赖性，从而增强模型对猪行为时空变化的感知能力。实验结果表明，在本文提出的模型在数据集上实现了75.92%的MAP得分，比表现最好的传统模型提高了8.17%。这项研究不仅提高了单个猪行为识别的准确性和泛化性，还为现代智能农业提供了新的技术工具。数据集和相关代码将随本文一同公开。

常用场景

经典使用场景

在智能养殖和猪只福利保障领域，猪行为识别发挥着至关重要的作用。Pig behavior dataset 提供了 13 种对猪只福利产生显著影响的猪行为，包括站立、躺下、移动、吃食、喝水等。基于此数据集，论文提出了一种基于注意力机制的时空感知增强网络，用于建模猪行为的时空特征及其相关交互区域。该网络由时空感知网络和时空特征增强网络组成。时空感知网络负责建立猪与视频数据中其行为的关键区域之间的连接。时空特征增强网络进一步强化了个体猪的重要空间特征，并通过重新建模这些连接来捕获个体行为的时空特征的长期依赖性，从而增强了模型对猪行为时空变化的感知。实验结果表明，在本文建立的猪行为数据集上，所提出的模型实现了 75.92% 的 MAP 分数，比表现最好的传统模型提高了 8.17%。这项研究不仅提高了个体猪行为识别的准确性和泛化能力，还为现代智能养殖提供了新的技术工具。

解决学术问题

目前，在猪行为识别领域，缺乏公开可用的行为数据集，这限制了创新算法的发展，也阻碍了模型鲁棒性和算法优化。Pig behavior dataset 旨在解决这一问题，提供了一个包含 13 种猪行为的数据集，这些行为对猪只福利有显著影响。此外，该数据集还提供了详细的注释，包括各种猪行为在养殖过程中的详细注释，特别是与福利相关的行为。例如，它包括站立和躺下的注释，这些是研究母猪在哺乳期间是否对仔猪造成伤害的关键指标，以及移动和跑步的行为，这些有助于评估群养猪是否达到预期的运动水平。这些注释为猪的健康和行为模式分析提供了宝贵的数据支持。

衍生相关工作

Pig behavior dataset 衍生了一系列相关的研究工作，主要集中在猪行为识别和时空特征建模方面。例如，一些研究使用该数据集来评估不同猪行为识别算法的性能，例如 Faster R-CNN、YOLO、InceptionV3 等算法。此外，一些研究还使用该数据集来探索猪行为识别的新方法，例如基于注意力机制的时空感知增强网络。这些研究不仅提高了猪行为识别的准确性和泛化能力，还为智能养殖和猪只福利保障提供了新的技术工具。