基于deeplabcut的三维跟踪分析框架
anipose的Python项目详细描述
任何姿势
anipose是一个基于可伸缩DeepLabCut的分析框架。它支持二维和三维跟踪，处理校准和处理一组文件夹中的所有文件。
ani pose这个名字来自animal pose，但听起来也像“任何姿势”。
开始
- 按照说明here 设置deeplabcut
- 通过pip安装anipose：
pip install anipose
文档
演示
艾文·狄金森的苍蝇视频（慢5倍），Tuthill Lab
为什么要做这个项目？
DeepLabcut非常适合训练网络跟踪视频中的功能，并在一小部分视频上运行。
然而，在实践中，为了适应我们的实验，我们发现需要编写自定义代码来遍历文件夹和视频。不同的实验运行往往放在不同的文件夹中，处理这些结构化数据可能会很快变得难以承受。如果你想进行3d跟踪的话，这个问题就更复杂了，在3d跟踪中，会生成更多的视频，而这些视频的组织对于处理数据至关重要。
因此，我们创建了anipose，它将deeplabcut特性分析放置到管道中，将结果组织到文件夹中，并自动检测需要处理的所有文件。
对于二维跟踪，anipose可以：
- 跟踪一组文件夹中的所有视频
- 检测、删除和插值错误跟踪
- 制作带有二维跟踪点、线和过滤点标签的视频
- 将所有二维数据聚合到一个文件中（更易于进一步分析）
对于三维跟踪，anipose可以：
- 每次会话（或每次实验，根据需要）处理校准视频
- 处理多个视频中的三角剖分以获取三维点
- 从三维点生成三维视频
- 在3D中计算角度
- 将所有三维数据和角度聚合到一个文件中（以便于分析）
参考文献
以下是一些DeepLabcut的参考资料，以及该项目所依赖的其他内容：
- Mathis等人，2018，“DeepLabcut：具有深度学习的用户定义身体部位的无标记姿势估计”
- insafutdinov等人，2016，“deepercut：一个更深、更强、更快的多人姿势估计模型”
- Romero Ramirez等人，2018，“加速检测平方基准标记”
- Garrido Jurado等人，2016，“使用混合整数线性规划生成基准标记字典”
欢迎加入QQ群-->： 979659372
