DeepOF: un paquete para el análisis de series temporales de animales en libre movimiento
Aceptada
El análisis de videos de animales comportándose libremente (así como la comparación de videos correspondientes a distintas condiciones) es crucial para la investigación en psiquiatría, ya que permite estudiar las consecuencias en el comportamiento de distintos estímulos. Este tipo de estudios se ha visto facilitado durante los últimos años gracias a avances en computer vision y deep learning. Esta charla introduce deepof, una suite de herramientas para postprocessing de series temporales extraídas de video implementada en python y tensorflow 2.0. La disertación se enfoca tanto en los algoritmos como en la importancia de las DevOps en ciencia.
Tipo: Charla estandard, 25 minutos
Nivel: Avanzado
Disertantes: Lucas Miranda
Biografiá del Disertante: Licenciado en Ciencias Biológicas de la UBA con especialización en bioinformática y biología molecular. Actualmente realizando el doctorado en el instituto Max Planck de psiquiatría en Múnich, desarrollando software para el análisis de series temporales extraídas de videos de animales moviéndose libremente en espacios abiertos. Miembro de la International Max Planck Research School of Translational Psychiatry (IMPRS-TP) y de la Machine Learning Frontiers in Precision Medicine International Training Network (links en información adicional).
Horario: 19:30 - 20:00 - 20/11/2020
Sala: Sala 1
Etiquetas/Tags: deep learning computer vision sequence models autoencoders tensorflow psiquiatría computacional medicina personalizada
Descripción completa
El anlálisis de datos desestructurados (principalmente imágenes y video) se ha vuelto más importante con el correr de los años en muchos campos gracias a los desarrollos, entre otros métodos, en computer vision de la mano del aumento en el poder de cómputo al que los investigadores tradicionales pueden acceder y a los nuevos algoritmos de deep learning que se fueron desarrollando. En 2018, Mathis et al publicaron un programa llamado DeepLabCut (http://www.mousemotorlab.org/deeplabcut), cuya implementación en puro python y tensorflow permite la extracción de series temporales a partir de video crudo, etiquetando pocos frames con la posición de partes del cuerpo interesantes para quien investiga. La presente disertación introduce deepOF (de deep Open Field), un paquete de python desarrollado principalmente por mí y colegas de mi grupo de trabajo en el que se provee al usuario una serie de herramientas para el procesamiento de las series temporales extraídas con DeepLabCut, y se permite anotar el comportamiento inferido de los datos extraídos en forma no supervisada, utilizando autoencoders variacionales con priors multimodales, capaces de procesar las secuencias multivariadas, producir encodings interpretables y agrupar las instancias provistas (clustering), todo en un solo paso.