Pet Owner Behavior
TP-CanineNet: Temporal Context Contrastive Learning with Pseudo-Label Supervision for Abnormal Behavior Detection of Canine
TP-CanineNet: Temporal Context Contrastive Learning with Pseudo-Label Supervision for Abnormal Behavior Detection of Canine
- 저자: Xiangyun Guo; Xiaoya Kong; Chuiyu Kong; Jiashuo Feng; Yuxin Liu
- 출처: - (2026)
- DOI/링크: https://doi.org/10.3390/ani16131997
- 연구 계열: Topics/Pet Owner Behavior
- 정리일: 2026-07-26
TL;DR
본 연구는 시간적 맥락 대조 학습과 의사 레이블 감독을 활용한 TP-CanineNet 모델을 제안하여 개의 비정상 행동 감지를 효과적으로 수행한다. 새로운 개 행동 데이터셋을 구축하고 기존 방법을 능가하는 높은 탐지 정확도를 달성한다.
1. 연구 배경 및 동기
- 다루는 문제: 개가 혼자 집에 있을 때의 비정상 행동 감지는 반려동물 복지 향상과 주인의 불안 감소에 중요하다. 기존 시각 기반 방법들은 복잡한 시간적 변화와 레이블된 데이터 부족으로 어려움을 겪고 있다.
- 기존의 공백 / 왜 필요한가: 기존 방법들이 시간 관련 특징을 충분히 포착하지 못하고 정상과 비정상 행동을 구분하는 데 한계가 있다.
2. 관련 연구
- 기존 연구 흐름:
- 이 논문의 위치: 본 논문은 시간적 맥락 대조 학습과 의사 레이블 감독을 결합한 두 개의 핵심 모듈을 제안하여 기존 방법을 능가한다.
3. 핵심 기여
- 새로운 개 행동 데이터셋 구축
- 시간적 맥락을 포착하는 모듈 개발
- 정상과 비정상 행동 구분 능력 향상
- 기존 방법 대비 높은 탐지 정확도 달성
4. 제안 방법론
- 전체 접근 논리: DouYin 반려견 영상에서 수집한 데이터셋으로 약지도(MIL) 학습 기반 이상행동 탐지 모델 TP-CanineNet을 구축, 시간적 문맥 대조학습과 의사라벨 기반 판별특징 학습으로 정상·이상 행동을 구분
- 단계:
- DouYin에서 ‘개 혼자두기 감시영상’ 등 키워드로 검색해 영상 642개(이상 366, 정상 276) 수집, 손흔들림·저화질·배속·사람-개 상호작용 영상 등은 제외
- MIL 방식으로 훈련셋은 영상단위(bag) 라벨(정상/이상)만 부여, 테스트셋은 LabelImg와 Python 스크립트로 프레임단위(이상행동 시작-종료 프레임) 라벨링
- 16프레임 슬라이딩 윈도우로 클립 분할 후 Kinetics-400 사전학습 I3D로 5-crop 증강 기반 광학흐름 특징(D=1024) 추출
- TCA 모듈에서 동적 위치 인코딩(DPE)을 포함한 전역-지역 어텐션으로 문맥특징 생성, PIDE 모듈이 의사라벨 지도 하에 판별특징 학습, MIL 기반 손실(Lce)로 클립점수를 영상단위로 집계해 학습
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | DouYin 영상 642개(훈련셋 430개: 정상 230/이상 200, 테스트셋 60개: 정상 30/이상 30); 이상행동 4종(긁기, 찢기, 파기, 씹기) |
| 처리 조건 | 훈련셋은 영상단위(bag) 약지도 라벨만 사용, 테스트셋은 프레임단위 정답라벨(정상 22,240+10,943프레임, 이상 12,337프레임) 사용; I3D 광학흐름 특징 기반 16프레임 클립 단위 처리 |
| 대조군 | 해당 없음 |
| 측정 방법 | 클립 단위 이상점수(anomaly score) 산출 후 프레임 단위 정상/이상 판별 성능, 기존 방법 대비 탐지 정확도 비교 |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| 이상행동 탐지 성능 | 높은 탐지 정확도로 기존 방법 대비 우수한 성능 달성 | Simple Summary 기준, 구체적 수치는 발췌에 없음 |
7. 비판적 평가
강점
- 새로운 개 행동 데이터셋 제공
- 시간적 특징을 효과적으로 포착하는 모듈 설계
- 기존 방법 대비 우수한 탐지 성능
한계 · 의문
- 초록에서 구체적인 성능 수치 미제시
- 다양한 환경 조건에서의 일반화 가능성 미언급
8. 향후 연구 방향
- 스마트 홈 및 동물 관리 애플리케이션으로의 확대 적용
- 다양한 반려동물 행동 감지로의 확장
9. 결론
본 연구는 비접촉식 개 행동 모니터링을 위한 신뢰할 수 있는 방법을 제공한다. 이는 반려동물 복지 향상, 주인의 불안 감소, 스마트 홈 및 동물 관리 애플리케이션 지원에 기여한다.
Keywords
abnormal behavior detection, canine behavior, temporal context learning, contrastive learning, pseudo-label supervision, deep learning, video analysis, pet monitoring