基于概念漂移的多种类型监控系统 适应式机器学习架构
Yonggi Cho1, Eungyeol Song1, Yeongju Ji1
1Research and Development Department, Codevision Inc., Seoul 03722, Republic of Korea.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究开发了一种使用深度学习 (DL) 和机器学习 (ML) 的自适应性猫识别系统,用于监控多猫家庭中的单个猫. 该系统根据外观识别猫的准确率达到了94.53%.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算机科学 计算机科学
- 动物行为 动物行为
背景情况:
- 在多猫家庭中,监测单个猫的健康至关重要.
- 行为监测,包括消除活动,有助于健康诊断.
- 现有的方法在动态环境中缺乏可靠的猫个体识别.
研究的目的:
- 为多猫家庭开发适应性猫识别架构.
- 根据视觉特征准确识别单个猫,用于健康监测.
- 为了应对变化的猫外观和群体组成所带来的挑战.
主要方法:
- 使用深度学习 (DL) 对象检测 (YOLOv4) 和特征提取 (EfficientNetV2).
- 实现机器学习 (ML) 分类器用于身份分类.
- 开发了一种适应式概念漂移方法,用于持续的模型再培训.
- 编制了一个由36只猫的8934张图像组成的数据集.
主要成果:
- 支持矢量机 (SVM) 分类器实现了最高的识别准确性.
- 该系统表现出令人印象深刻的94.53%的猫识别准确率.
- 适应性方法有效地处理了猫的外观和家庭组成的变化.
结论:
- 拟议的DL和ML基础架构对个别猫的识别有效.
- 准确的猫识别支持在多猫环境中加强健康和福祉监测.
- 适应性系统在物护理技术中显示出对现实世界的应用有希望.
