拓冰网站定制 
人工智能深度学习计算机视觉科研【免费下载链接】DeepLabCutOfficial implementation of DeepLabCut: Markerless pose estimation of user-defined features with deep learning for all animals incl. humans项目地址https://gitcode.com/gh_mirrors/de/DeepLabCut点击查看免费下载DeepLabCut 作为一款被广泛用于无标记姿态估计的开源工具包其学术引用规范直接影响论文的严谨性与方法可复现性。本文基于 DeepLabCut 官方文档 docs/citation.md 完整整理其官方推荐的引用策略、DOI 清单、可直接复制的 BibTeX 条目并逐项解读官方提供的 Methods 段落写作模板——结合仓库内默认训练配置与源码说明pos_dist_thresh、数据加载器loader、优化器optimizer等关键超参数在论文中应如何如实申报。读完本文你可以按使用场景精准选择应引用的文献并快速产出符合期刊要求的 Methods 文本。一、核心原则按使用方式选择引用文献官方文档明确要求凡使用 DeepLabCut 的代码或数据都应当被正式引用且具体引用哪一篇文献取决于你实际用到了哪个版本或哪项能力。切忌笼统引用单篇论文而应根据下表对号入座使用场景应引用的文献使用 DeepLabCut 的代码或数据基础引用Mathis et al., 2018Nature Neuroscience使用 Python 包DeepLabCut 2.x 及以上Nath, Mathis et al., 2019Nature Protocols使用 MobileNetV2 或 EfficientNet 骨干网络Mathis, Biasi et al., 2021WACV使用多动物版本2.2beta 或 2.2rc1Lauer et al., 2022Nature Methods使用 SuperAnimal 预训练模型Ye et al., 2024Nature Communications这一分层策略与仓库当前的代码结构完全吻合多动物训练流程位于 deeplabcut/pose_estimation_tensorflow/core/train_multianimal.pySuperAnimal 相关实现见 deeplabcut/modelzoo 目录而 EfficientNet 骨干实现位于 deeplabcut/pose_estimation_tensorflow/backbones/efficientnet_model.py。引用时只需如实声明自己使用了哪个组件即可与代码一一对应。二、DOI 速查表官方文档为每一篇核心论文给出了可长期解析的数字对象标识符DOI。建议在正文引用之外将以下 DOI 直接用于参考文献数据库同步Mathis et al., 201810.1038/s41593-018-0209-yNath, Mathis et al., 201910.1038/s41596-019-0176-0Lauer et al., 202210.1038/s41592-022-01443-0Ye et al., 202410.1038/s41467-024-48792-2小提示官方文档还推荐使用 CiteAs.org 这类工具来为软件自动检索合适的引用条目作为人工核对引用的辅助手段。三、可直接复制的 BibTeX 条目3.1 核心方法学文献推荐优先引用官方提供的 BibTeX 条目如下可直接复制进references.bibarticle{Mathisetal2018, title {DeepLabCut: markerless pose estimation of user-defined body parts with deep learning}, author {Alexander Mathis and Pranav Mamidanna and Kevin M. Cury and Taiga Abe and Venkatesh N. Murthy and Mackenzie W. Mathis and Matthias Bethge}, journal {Nature Neuroscience}, year {2018}, url {https://www.nature.com/articles/s41593-018-0209-y}} article{NathMathisetal2019, title {Using DeepLabCut for 3D markerless pose estimation across species and behaviors}, author {Nath*, Tanmay and Mathis*, Alexander and Chen, An Chi and Patel, Amir and Bethge, Matthias and Mathis, Mackenzie W}, journal {Nature Protocols}, year {2019}, url {https://doi.org/10.1038/s41596-019-0176-0}} InProceedings{Mathis_2021_WACV, author {Mathis, Alexander and Biasi, Thomas and Schneider, Steffen and Yuksekgonul, Mert and Rogers, Byron and Bethge, Matthias and Mathis, Mackenzie W.}, title {Pretraining Boosts Out-of-Domain Robustness for Pose Estimation}, booktitle {Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)}, month {January}, year {2021}, pages {1859-1868}} article{Lauer2022MultianimalPE, title{Multi-animal pose estimation, identification and tracking with DeepLabCut}, author{Jessy Lauer and Mu Zhou and Shaokai Ye and William Menegas and Steffen Schneider and Tanmay Nath and Mohammed Mostafizur Rahman and Valentina Di Santo and Daniel Soberanes and Guoping Feng and Venkatesh N. Murthy and George Lauder and Catherine Dulac and M. Mathis and Alexander Mathis}, journal{Nature Methods}, year{2022}, volume{19}, pages{496 - 504}} article{Ye2024SuperAnimal, title{SuperAnimal pretrained pose estimation models for behavioral analysis}, author{Shaokai Ye and Anastasiia Filippova and Jessy Lauer and Steffen Schneider and Maxime Vidal and and Tian Qiu and Alexander Mathis and Mackenzie W. Mathis}, journal{Nature Communications}, year{2024}, volume{15}}注意上表中NathMathisetal2019的作者字段中*标记表示共同一作Nath 与 Mathis 对本文贡献相等在正文引用时通常以等贡献作者说明。3.2 综述与教育类文章适合 Introduction / Discussion 引用当论文需要介绍深度学习工具如何用于动物行为测量或动作捕捉的一般原则时官方推荐以下两篇article{Mathis2020DeepLT, title{Deep learning tools for the measurement of animal behavior in neuroscience}, author{Mackenzie W. Mathis and Alexander Mathis}, journal{Current Opinion in Neurobiology}, year{2020}, volume{60}, pages{1-11}} article{Mathis2020Primer, title{A Primer on Motion Capture with Deep Learning: Principles, Pitfalls, and Perspectives}, author{Alexander Mathis and Steffen Schneider and Jessy Lauer and Mackenzie W. Mathis}, journal{Neuron}, year{2020}, volume{108}, pages{44-65}}3.3 与推理速度研究相关的预印本若你的工作涉及推理速度、视频压缩鲁棒性分析可考虑引用article{MathisWarren2018speed, author {Mathis, Alexander and Warren, Richard A.}, title {On the inference speed and video-compression robustness of DeepLabCut}, year {2018}, doi {10.1101/457242}, publisher {Cold Spring Harbor Laboratory}, URL {https://www.biorxiv.org/content/early/2018/10/30/457242}, eprint {https://www.biorxiv.org/content/early/2018/10/30/457242.full.pdf}, journal {bioRxiv}}四、Methods 段落写作模板核心实操章节官方文档提供了一段可直接套用的 Methods 描述模板用于在论文材料与方法部分交代 DeepLabCut 的完整使用链。原文如下For body part tracking we used DeepLabCut (version 2.X.X)* [Mathis et al, 2018, Nath et al, 2019, Lauer et al. 2022]. Specifically, we labeled X number of frames taken from X videos/animals (then X% was used for training (default is 95%). We used a X-based neural network (i.e. X ResNet-50, ResNet-101, MobileNetV2-0.35, MobileNetV2-0.5, MobileNetV2-0.75, MobileNetV2-1***) with default parameters* for X number of training iterations. We validated with X number of shuffles, and found the test error was: X pixels, train: X pixels (image size was X by X). We then used a p-cutoff of X (i.e. 0.9) to condition the X,Y coordinates for future analysis. This network was then used to analyze videos from similar experimental settings.下文把模板中的每个占位符X逐一拆解并对照仓库源码给出填写依据。4.1 版本号与训练集划分比例版本号应填写实际使用的版本。当前仓库deeplabcut/version.py中记录的版本为3.0.2若你基于该仓库构建环境请按实际安装版本填写。训练比例模板中的默认值 95% 对应配置文件中的trainFraction。该参数在 deeplabcut/generate_training_dataset/trainingsetmanipulation.py 中会校验其合法性——源码要求它必须是 0 到 1 之间的两位数如0.95否则会直接报错并提示 should be a two digit number between 0 and 1; i.e. 0.95。这意味着你在 Methods 中声明的比例必须是真实写入项目config.yaml的值不能随意编造。4.2 骨干网络类型模板明确列出了可选网络ResNet-50、ResNet-101、MobileNetV2-0.35、MobileNetV2-0.5、MobileNetV2-0.75、MobileNetV2-1。这对应训练配置中的net_type字段。在仓库默认配置 deeplabcut/pose_cfg.yaml 中net_type的默认值为resnet_50实际项目可在创建训练集时指定任意受支持网络ResNets、MobileNets、EfficientNets 以及 DLC 自研的 dlcrnet。4.3 默认参数与训练迭代次数模板中的* 使用默认参数是一个关键声明——一旦你修改了任何默认参数就必须在论文中说明修改内容。官方文档特别列举了三类最常见、最容易在审稿中被追问的默认配置数据加载器loader可选值为default、imgaug、tensorpack、deterministic。在源码层面这一字段由dataset_type控制默认值为imgaug见 deeplabcut/pose_estimation_tensorflow/default_config.py。数据集类型通过工厂模式动态注册与创建见 deeplabcut/pose_estimation_tensorflow/datasets/factory.pyPoseDatasetFactory依据cfg[dataset_type]从注册表取对应数据集类未知类型会抛出ValueError。pos_dist_thresh即模板中所说的post_dist_threshold默认 17在 deeplabcut/pose_cfg.yaml 中其注释说明所有落在此距离阈值内的位置都被视为检测器的正训练样本同时它还决定了训练分辨率。若你为了更高/更低分辨率调整过它务必在论文中写明改动后的数值。优化器optimizer默认是SGD动量 0.9还是ADAM源码证实默认值为sgddeeplabcut/pose_estimation_tensorflow/default_config.py训练时由get_optimizer依据cfg[optimizer]分支构造MomentumOptimizermomentum0.9或AdamOptimizer见 deeplabcut/pose_estimation_tensorflow/core/train.py。值得注意的是TensorFlow 引擎在 Apple M1/M2 芯片上会自动切换到 Adam 以避免动量优化器崩溃deeplabcut/pose_estimation_tensorflow/core/train.py这一细节在跨平台复现实验时值得在论文脚注中说明。除此之外学习率调度同样建议披露默认配置使用multi_step分段衰减如[[0.005, 10000], [0.02, 430000], ...]而 EfficientNet 骨干则改用lr_init/decay_steps/alpha_r组成的余弦衰减策略deeplabcut/pose_cfg.yaml。是否改动这些值直接关系到训练迭代次数 X与最终误差的可复现性。4.4 p-cutoff置信度阈值模板要求写明使用了 p-cutoff 为 X如 0.9来筛选 X,Y 坐标用于后续分析。p-cutoff 是姿态估计置信度阈值低于该阈值的预测点会被过滤直接影响进入下游行为分析的坐标质量。在 TensorFlow 引擎中p-cutoff 通常配置在项目config.yaml的pcutoff字段而在 PyTorch 引擎的兼容接口中pcutoff可以按身体部位bodypart分别设置未指定的部位默认取 0.6见 deeplabcut/compat.py。因此论文中若对不同身体部位使用了不同阈值应逐部位说明。4.5 误差报告train error / test error模板要求报告test error: X pixels, train: X pixels (image size was X by X)。这是指评估阶段输出的像素级误差通常为 RMSE单位 pixel并需附带输入图像尺寸。仓库中评估流程会同时输出训练误差与测试误差见 deeplabcut/compat.py 中的误差字段论文应如实摘录这些数值而不是估算。五、修改网络骨干时需补充的文献官方文档特别提示如果你使用了特定骨干网络应在上述核心文献之外补充对应的网络架构原始论文使用 ResNet建议引用 Insafutdinov et al., 2016DeeperCut与 He et al., 2016Deep Residual Learning使用 MobileNetV2建议引用 Mathis et al., 2019预训练提升域外鲁棒性与 Sandler et al., 2018MobileNetV2 原始论文。对应官方提供的补充引用条目Mathis, A. et al. Pretraining boosts out-of-domain robustness for pose estimation. arXiv 1909.11229 (2019)Insafutdinov, E., Pishchulin, L., Andres, B., Andriluka, M. Schiele, B. DeeperCut: A deeper, stronger, and faster multi-person pose estimation model. In European Conference on Computer Vision, 34–50 (Springer, 2016).Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. Chen, L.-C. Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520 (2018).He, K., Zhang, X., Ren, S. Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, 770–778 (2016).六、图形与 Logo 使用官方文档同时给出了两项视觉素材的使用说明网络架构图DeepLabCut 的网络结构示意图在 SciDraw.io 上公开发布绘图编号 290如果你在论文中需要展示模型架构可以自由使用该图LogoDeepLabCut 官方欢迎在自己的作品中使用其 Logo。仓库内可找到相关视觉素材如 docs/images/logo.png。需要注意的是这两项素材均属于可用但建议注明出处的范畴使用前请遵循开源许可证要求DeepLabCut 主仓库采用 LGPL v3.0 许可见 LICENSE。七、总结引用自检清单撰写完 Methods 后建议对照官方引用策略逐项自检基础引用是否齐全是否同时包含 Mathis et al. 2018 与使用 Python 包时Nath et al. 2019组件引用是否匹配是否按实际使用的 MobileNetV2/EfficientNet2021 WACV、多动物版本2022或 SuperAnimal2024补充了对应文献默认参数是否如实披露loader、pos_dist_thresh、optimizer三项是否与 deeplabcut/pose_cfg.yaml 及 deeplabcut/pose_estimation_tensorflow/default_config.py 中的实际值一致数据管线是否完整交代训练比例、网络类型、迭代次数、shuffle 数量、训练/测试误差与图像尺寸、p-cutoff 是否全部填写为真实数值补充引用是否到位自定义骨干网络时是否补引了对应的架构原始论文完成以上核对你的 DeepLabCut 引用即可同时满足可复现性、公平归属与审稿人的信息需求。赞分享人工智能深度学习计算机视觉科研【免费下载链接】DeepLabCutOfficial implementation of DeepLabCut: Markerless pose estimation of user-defined features with deep learning for all animals incl. humans项目地址https://gitcode.com/gh_mirrors/de/DeepLabCut点击查看免费下载相关推荐算法宇宙中的材料革命当Python遇见原子世界算法宇宙中的材料革命当Python遇见原子世界 在代码与晶格的交汇处一场静默的革命正在发生。我们不再仅仅通过试管和显微镜观察材料而是通过算法和神经网络理解示例工程TVBoxOSC终极指南如何轻松打造你的智能电视媒体中心TVBoxOSC终极指南如何轻松打造你的智能电视媒体中心 还在为电视盒子播放视频格式不兼容而烦恼吗TVBoxOSC正是为解决这一痛点而生的开源全能播放解决方seamless_communication的学术引用指南正确引用与论文写作建议seamless_communication的学术引用指南正确引用与论文写作建议 引言为什么正确引用seamless_communication至关重要 在人工智能NLP语音多模态大模型上一篇ONNX2TF实战指南一站式跨框架模型转换的完整解决方案下一篇Gofile下载器终极指南如何快速高效下载云端文件创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeepLabCut 引用指南：如何在论文 Methods 中正确引用与致谢（官方推荐文献、DOI、BibTeX 与写作模板）
人工智能深度学习计算机视觉科研【免费下载链接】DeepLabCutOfficial implementation of DeepLabCut: Markerless pose estimation of user-defined features with deep learning for all animals incl. humans项目地址https://gitcode.com/gh_mirrors/de/DeepLabCut点击查看免费下载DeepLabCut 作为一款被广泛用于无标记姿态估计的开源工具包其学术引用规范直接影响论文的严谨性与方法可复现性。本文基于 DeepLabCut 官方文档 docs/citation.md 完整整理其官方推荐的引用策略、DOI 清单、可直接复制的 BibTeX 条目并逐项解读官方提供的 Methods 段落写作模板——结合仓库内默认训练配置与源码说明pos_dist_thresh、数据加载器loader、优化器optimizer等关键超参数在论文中应如何如实申报。读完本文你可以按使用场景精准选择应引用的文献并快速产出符合期刊要求的 Methods 文本。一、核心原则按使用方式选择引用文献官方文档明确要求凡使用 DeepLabCut 的代码或数据都应当被正式引用且具体引用哪一篇文献取决于你实际用到了哪个版本或哪项能力。切忌笼统引用单篇论文而应根据下表对号入座使用场景应引用的文献使用 DeepLabCut 的代码或数据基础引用Mathis et al., 2018Nature Neuroscience使用 Python 包DeepLabCut 2.x 及以上Nath, Mathis et al., 2019Nature Protocols使用 MobileNetV2 或 EfficientNet 骨干网络Mathis, Biasi et al., 2021WACV使用多动物版本2.2beta 或 2.2rc1Lauer et al., 2022Nature Methods使用 SuperAnimal 预训练模型Ye et al., 2024Nature Communications这一分层策略与仓库当前的代码结构完全吻合多动物训练流程位于 deeplabcut/pose_estimation_tensorflow/core/train_multianimal.pySuperAnimal 相关实现见 deeplabcut/modelzoo 目录而 EfficientNet 骨干实现位于 deeplabcut/pose_estimation_tensorflow/backbones/efficientnet_model.py。引用时只需如实声明自己使用了哪个组件即可与代码一一对应。二、DOI 速查表官方文档为每一篇核心论文给出了可长期解析的数字对象标识符DOI。建议在正文引用之外将以下 DOI 直接用于参考文献数据库同步Mathis et al., 201810.1038/s41593-018-0209-yNath, Mathis et al., 201910.1038/s41596-019-0176-0Lauer et al., 202210.1038/s41592-022-01443-0Ye et al., 202410.1038/s41467-024-48792-2小提示官方文档还推荐使用 CiteAs.org 这类工具来为软件自动检索合适的引用条目作为人工核对引用的辅助手段。三、可直接复制的 BibTeX 条目3.1 核心方法学文献推荐优先引用官方提供的 BibTeX 条目如下可直接复制进references.bibarticle{Mathisetal2018, title {DeepLabCut: markerless pose estimation of user-defined body parts with deep learning}, author {Alexander Mathis and Pranav Mamidanna and Kevin M. Cury and Taiga Abe and Venkatesh N. Murthy and Mackenzie W. Mathis and Matthias Bethge}, journal {Nature Neuroscience}, year {2018}, url {https://www.nature.com/articles/s41593-018-0209-y}} article{NathMathisetal2019, title {Using DeepLabCut for 3D markerless pose estimation across species and behaviors}, author {Nath*, Tanmay and Mathis*, Alexander and Chen, An Chi and Patel, Amir and Bethge, Matthias and Mathis, Mackenzie W}, journal {Nature Protocols}, year {2019}, url {https://doi.org/10.1038/s41596-019-0176-0}} InProceedings{Mathis_2021_WACV, author {Mathis, Alexander and Biasi, Thomas and Schneider, Steffen and Yuksekgonul, Mert and Rogers, Byron and Bethge, Matthias and Mathis, Mackenzie W.}, title {Pretraining Boosts Out-of-Domain Robustness for Pose Estimation}, booktitle {Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)}, month {January}, year {2021}, pages {1859-1868}} article{Lauer2022MultianimalPE, title{Multi-animal pose estimation, identification and tracking with DeepLabCut}, author{Jessy Lauer and Mu Zhou and Shaokai Ye and William Menegas and Steffen Schneider and Tanmay Nath and Mohammed Mostafizur Rahman and Valentina Di Santo and Daniel Soberanes and Guoping Feng and Venkatesh N. Murthy and George Lauder and Catherine Dulac and M. Mathis and Alexander Mathis}, journal{Nature Methods}, year{2022}, volume{19}, pages{496 - 504}} article{Ye2024SuperAnimal, title{SuperAnimal pretrained pose estimation models for behavioral analysis}, author{Shaokai Ye and Anastasiia Filippova and Jessy Lauer and Steffen Schneider and Maxime Vidal and and Tian Qiu and Alexander Mathis and Mackenzie W. Mathis}, journal{Nature Communications}, year{2024}, volume{15}}注意上表中NathMathisetal2019的作者字段中*标记表示共同一作Nath 与 Mathis 对本文贡献相等在正文引用时通常以等贡献作者说明。3.2 综述与教育类文章适合 Introduction / Discussion 引用当论文需要介绍深度学习工具如何用于动物行为测量或动作捕捉的一般原则时官方推荐以下两篇article{Mathis2020DeepLT, title{Deep learning tools for the measurement of animal behavior in neuroscience}, author{Mackenzie W. Mathis and Alexander Mathis}, journal{Current Opinion in Neurobiology}, year{2020}, volume{60}, pages{1-11}} article{Mathis2020Primer, title{A Primer on Motion Capture with Deep Learning: Principles, Pitfalls, and Perspectives}, author{Alexander Mathis and Steffen Schneider and Jessy Lauer and Mackenzie W. Mathis}, journal{Neuron}, year{2020}, volume{108}, pages{44-65}}3.3 与推理速度研究相关的预印本若你的工作涉及推理速度、视频压缩鲁棒性分析可考虑引用article{MathisWarren2018speed, author {Mathis, Alexander and Warren, Richard A.}, title {On the inference speed and video-compression robustness of DeepLabCut}, year {2018}, doi {10.1101/457242}, publisher {Cold Spring Harbor Laboratory}, URL {https://www.biorxiv.org/content/early/2018/10/30/457242}, eprint {https://www.biorxiv.org/content/early/2018/10/30/457242.full.pdf}, journal {bioRxiv}}四、Methods 段落写作模板核心实操章节官方文档提供了一段可直接套用的 Methods 描述模板用于在论文材料与方法部分交代 DeepLabCut 的完整使用链。原文如下For body part tracking we used DeepLabCut (version 2.X.X)* [Mathis et al, 2018, Nath et al, 2019, Lauer et al. 2022]. Specifically, we labeled X number of frames taken from X videos/animals (then X% was used for training (default is 95%). We used a X-based neural network (i.e. X ResNet-50, ResNet-101, MobileNetV2-0.35, MobileNetV2-0.5, MobileNetV2-0.75, MobileNetV2-1***) with default parameters* for X number of training iterations. We validated with X number of shuffles, and found the test error was: X pixels, train: X pixels (image size was X by X). We then used a p-cutoff of X (i.e. 0.9) to condition the X,Y coordinates for future analysis. This network was then used to analyze videos from similar experimental settings.下文把模板中的每个占位符X逐一拆解并对照仓库源码给出填写依据。4.1 版本号与训练集划分比例版本号应填写实际使用的版本。当前仓库deeplabcut/version.py中记录的版本为3.0.2若你基于该仓库构建环境请按实际安装版本填写。训练比例模板中的默认值 95% 对应配置文件中的trainFraction。该参数在 deeplabcut/generate_training_dataset/trainingsetmanipulation.py 中会校验其合法性——源码要求它必须是 0 到 1 之间的两位数如0.95否则会直接报错并提示 should be a two digit number between 0 and 1; i.e. 0.95。这意味着你在 Methods 中声明的比例必须是真实写入项目config.yaml的值不能随意编造。4.2 骨干网络类型模板明确列出了可选网络ResNet-50、ResNet-101、MobileNetV2-0.35、MobileNetV2-0.5、MobileNetV2-0.75、MobileNetV2-1。这对应训练配置中的net_type字段。在仓库默认配置 deeplabcut/pose_cfg.yaml 中net_type的默认值为resnet_50实际项目可在创建训练集时指定任意受支持网络ResNets、MobileNets、EfficientNets 以及 DLC 自研的 dlcrnet。4.3 默认参数与训练迭代次数模板中的* 使用默认参数是一个关键声明——一旦你修改了任何默认参数就必须在论文中说明修改内容。官方文档特别列举了三类最常见、最容易在审稿中被追问的默认配置数据加载器loader可选值为default、imgaug、tensorpack、deterministic。在源码层面这一字段由dataset_type控制默认值为imgaug见 deeplabcut/pose_estimation_tensorflow/default_config.py。数据集类型通过工厂模式动态注册与创建见 deeplabcut/pose_estimation_tensorflow/datasets/factory.pyPoseDatasetFactory依据cfg[dataset_type]从注册表取对应数据集类未知类型会抛出ValueError。pos_dist_thresh即模板中所说的post_dist_threshold默认 17在 deeplabcut/pose_cfg.yaml 中其注释说明所有落在此距离阈值内的位置都被视为检测器的正训练样本同时它还决定了训练分辨率。若你为了更高/更低分辨率调整过它务必在论文中写明改动后的数值。优化器optimizer默认是SGD动量 0.9还是ADAM源码证实默认值为sgddeeplabcut/pose_estimation_tensorflow/default_config.py训练时由get_optimizer依据cfg[optimizer]分支构造MomentumOptimizermomentum0.9或AdamOptimizer见 deeplabcut/pose_estimation_tensorflow/core/train.py。值得注意的是TensorFlow 引擎在 Apple M1/M2 芯片上会自动切换到 Adam 以避免动量优化器崩溃deeplabcut/pose_estimation_tensorflow/core/train.py这一细节在跨平台复现实验时值得在论文脚注中说明。除此之外学习率调度同样建议披露默认配置使用multi_step分段衰减如[[0.005, 10000], [0.02, 430000], ...]而 EfficientNet 骨干则改用lr_init/decay_steps/alpha_r组成的余弦衰减策略deeplabcut/pose_cfg.yaml。是否改动这些值直接关系到训练迭代次数 X与最终误差的可复现性。4.4 p-cutoff置信度阈值模板要求写明使用了 p-cutoff 为 X如 0.9来筛选 X,Y 坐标用于后续分析。p-cutoff 是姿态估计置信度阈值低于该阈值的预测点会被过滤直接影响进入下游行为分析的坐标质量。在 TensorFlow 引擎中p-cutoff 通常配置在项目config.yaml的pcutoff字段而在 PyTorch 引擎的兼容接口中pcutoff可以按身体部位bodypart分别设置未指定的部位默认取 0.6见 deeplabcut/compat.py。因此论文中若对不同身体部位使用了不同阈值应逐部位说明。4.5 误差报告train error / test error模板要求报告test error: X pixels, train: X pixels (image size was X by X)。这是指评估阶段输出的像素级误差通常为 RMSE单位 pixel并需附带输入图像尺寸。仓库中评估流程会同时输出训练误差与测试误差见 deeplabcut/compat.py 中的误差字段论文应如实摘录这些数值而不是估算。五、修改网络骨干时需补充的文献官方文档特别提示如果你使用了特定骨干网络应在上述核心文献之外补充对应的网络架构原始论文使用 ResNet建议引用 Insafutdinov et al., 2016DeeperCut与 He et al., 2016Deep Residual Learning使用 MobileNetV2建议引用 Mathis et al., 2019预训练提升域外鲁棒性与 Sandler et al., 2018MobileNetV2 原始论文。对应官方提供的补充引用条目Mathis, A. et al. Pretraining boosts out-of-domain robustness for pose estimation. arXiv 1909.11229 (2019)Insafutdinov, E., Pishchulin, L., Andres, B., Andriluka, M. Schiele, B. DeeperCut: A deeper, stronger, and faster multi-person pose estimation model. In European Conference on Computer Vision, 34–50 (Springer, 2016).Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. Chen, L.-C. Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520 (2018).He, K., Zhang, X., Ren, S. Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, 770–778 (2016).六、图形与 Logo 使用官方文档同时给出了两项视觉素材的使用说明网络架构图DeepLabCut 的网络结构示意图在 SciDraw.io 上公开发布绘图编号 290如果你在论文中需要展示模型架构可以自由使用该图LogoDeepLabCut 官方欢迎在自己的作品中使用其 Logo。仓库内可找到相关视觉素材如 docs/images/logo.png。需要注意的是这两项素材均属于可用但建议注明出处的范畴使用前请遵循开源许可证要求DeepLabCut 主仓库采用 LGPL v3.0 许可见 LICENSE。七、总结引用自检清单撰写完 Methods 后建议对照官方引用策略逐项自检基础引用是否齐全是否同时包含 Mathis et al. 2018 与使用 Python 包时Nath et al. 2019组件引用是否匹配是否按实际使用的 MobileNetV2/EfficientNet2021 WACV、多动物版本2022或 SuperAnimal2024补充了对应文献默认参数是否如实披露loader、pos_dist_thresh、optimizer三项是否与 deeplabcut/pose_cfg.yaml 及 deeplabcut/pose_estimation_tensorflow/default_config.py 中的实际值一致数据管线是否完整交代训练比例、网络类型、迭代次数、shuffle 数量、训练/测试误差与图像尺寸、p-cutoff 是否全部填写为真实数值补充引用是否到位自定义骨干网络时是否补引了对应的架构原始论文完成以上核对你的 DeepLabCut 引用即可同时满足可复现性、公平归属与审稿人的信息需求。赞分享人工智能深度学习计算机视觉科研【免费下载链接】DeepLabCutOfficial implementation of DeepLabCut: Markerless pose estimation of user-defined features with deep learning for all animals incl. humans项目地址https://gitcode.com/gh_mirrors/de/DeepLabCut点击查看免费下载相关推荐算法宇宙中的材料革命当Python遇见原子世界算法宇宙中的材料革命当Python遇见原子世界 在代码与晶格的交汇处一场静默的革命正在发生。我们不再仅仅通过试管和显微镜观察材料而是通过算法和神经网络理解示例工程TVBoxOSC终极指南如何轻松打造你的智能电视媒体中心TVBoxOSC终极指南如何轻松打造你的智能电视媒体中心 还在为电视盒子播放视频格式不兼容而烦恼吗TVBoxOSC正是为解决这一痛点而生的开源全能播放解决方seamless_communication的学术引用指南正确引用与论文写作建议seamless_communication的学术引用指南正确引用与论文写作建议 引言为什么正确引用seamless_communication至关重要 在人工智能NLP语音多模态大模型上一篇ONNX2TF实战指南一站式跨框架模型转换的完整解决方案下一篇Gofile下载器终极指南如何快速高效下载云端文件创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考