Weekly Research Briefing — Animal Behaviour Analysis

1. 이번 주 한눈에 보기

이번 주 핵심은 완전 자동 행동 인식 SOTA보다 labeling workflow 자동화 입니다.

• 반드시 볼 자료: SqueakPose Studio
• 이유: manual labeling → model-assisted labeling → YOLO pose training → prediction review → video inference 흐름이 사용자의 관심사와 직접 연결됨
• 지금 바로 할 것: 짧은 동물 영상으로 소량 라벨 → pseudo-label → human review → 재학습 후보 선정 루프 만들기
• 나중에 볼 것: BEAST3D, WildBox

2. 이번 주 핵심 트렌드

Labeling 자동화는 human-in-the-loop로 가고 있음

• 무엇이 바뀌었는가: SqueakPose Studio가 annotation, training, prediction review를 통합
• 왜 중요한가: 동물 행동은 종·환경·행동 정의가 달라 완전 자동화가 어렵기 때문
• 연결: pseudo-labeling, active learning, 자동 annotation workflow의 실험 출발점
• 우선순위: High

무라벨 multi-view video 기반 3D 표현학습

• 무엇이 바뀌었는가: BEAST3D가 unlabeled multi-view video에서 3D-aware representation 학습
• 왜 중요한가: 3D pose label 없이도 downstream pose estimation으로 전이 가능
• 연결: 장기적으로 keypoint sequence와 행동 representation 학습에 중요
• 우선순위: Medium

Wildlife foundation model 전이는 아직 제한적

• 무엇이 바뀌었는가: WildBox가 drone wildlife 3D detection benchmark 제시
• 왜 중요한가: generic foundation model이 animal/wildlife domain을 바로 해결하지 못함
• 연결: wildlife behavior recognition, trajectory, group behavior 분석
• 우선순위: Medium

3. 추천 논문

SqueakPose Studio

• 링크: https://elifesciences.org/reviewed-preprints/111308v1
• 시점: 2026-06-16
• 분야: animal pose estimation, model-assisted labeling
• 핵심 문제: 라벨링, 학습, 검토, inference가 분리되어 있음
• 핵심 아이디어: 하나의 GUI에서 dataset creation, annotation, YOLO pose training, prediction review, video inference 제공
• 모델 구조: image/video → keypoint labeling → YOLO pose training → prediction → human review → corrected dataset
• 한계: 행동 segmentation 자체를 완전히 해결하지는 않음
• 내 관심사 연결: labeling 자동화와 pseudo-label review에 직접 연결
• 읽기 우선순위: High
• 구현 난이도: 보통
• 포트폴리오 포인트: “human-in-the-loop animal pose annotation pipeline 구현”

WildBox

• 링크: https://arxiv.org/abs/2606.21309
• 시점: 2026-06-19
• 분야: wildlife 3D detection, drone video
• 핵심 문제: 드론 영상에서 야생동물 3D 위치·크기 추정이 어려움
• 핵심 아이디어: African savanna wildlife 3D detection benchmark 제공
• 모델 구조: drone frame → 3D detector → 3D bounding box, class, identity
• 한계: pose/keypoint가 아니라 bounding box 중심
• 내 관심사 연결: animal foundation model 전이의 한계 이해
• 읽기 우선순위: Medium
• 구현 난이도: 어려움

4. 추천 repo / tool

SqueakPose Studio

• 링크: https://github.com/dlhagger/SqueakPoseStudio
• 기능: annotation, YOLO dataset creation, model training, prediction review, video inference
• 난이도: 보통
• 당장 실험: 30~50 frame 라벨링 후 prediction review loop 만들기

AnimalTA

• 링크: https://github.com/VioletteChiara/AnimalTA
• 기능: 동물 movement tracking 및 trajectory analysis
• 난이도: 쉬움~보통
• 당장 실험: pose 없이 centroid trajectory, speed, zone occupancy feature 추출

DeepLabCut 3.0

• 링크: https://github.com/DeepLabCut/DeepLabCut/releases
• 기능: markerless animal pose estimation
• 난이도: 보통
• 당장 실험: SuperAnimal 또는 Model Zoo로 keypoint CSV 생성

5. 이번 주 미니프로젝트

• 제목: 소량 라벨 기반 동물 행동 pseudo-label review pipeline
• 목표: 짧은 동물 영상에서 일부 frame만 라벨링하고 prediction review 루프 만들기
• 데이터: 공개 동물 영상 30~60초
• 도구: AnimalTA 또는 SqueakPose Studio
• 최소 구현:
  1. 영상 준비
  2. 30 frame 라벨링 또는 tracking 설정
  3. prediction 생성
  4. 오류 frame 10개 검토
  5. 재라벨링 기준 작성
• 산출물:
  • Notion 정리
  • Velog 글
  • GitHub README
  • notebook
  • demo image/video
• 포트폴리오 한 줄:
  “동물 행동 분석에서 라벨링 비용을 줄이기 위해 소량 수동 라벨, 모델 예측, confidence/error 기반 human review를 연결한 mini pseudo-labeling pipeline을 구현했다.”
• 예상 시간: 6~10시간
• 실패 시 대체: AnimalTA로 trajectory-only baseline 만들기

6. 읽기 루틴

• 1회독: SqueakPose Studio workflow만 확인
• 2회독: annotation → training → prediction review가 어떻게 연결되는지 확인
• 3회독: 내 프로젝트에서 active learning 후보 frame을 어떻게 고를지 정리

질문:

1. 완전 자동 annotation보다 human-in-the-loop가 현실적인 이유는 무엇인가?
2. trajectory feature와 keypoint feature는 각각 언제 유리한가?
3. pseudo-label을 신뢰할 수 없을 때 어떤 frame을 사람이 검토해야 하는가?

7. 다음 주 watchlist

키워드:

• model-assisted animal behavior annotation
• pseudo-labeling animal pose estimation
• self-supervised animal pose representation
• multi-animal tracking identity preservation
• VLM animal behavior recognition

Repo/tool:

• SqueakPose Studio
• DeepLabCut
• SLEAP

Open questions:

1. SqueakPose Studio 설치와 inference workflow가 포트폴리오 수준에서 재현 가능한가?
2. AnimalTA/DeepLabCut/SLEAP output을 공통 feature schema로 묶을 수 있는가?
3. VLM 기반 animal behavior annotation은 실제 expert review 시간을 줄이는가?