相关实验视频
Updated: Jul 9, 2025
06:30
Noninvasive, In-pen Approach Test for Laboratory-housed Pigs
Published on: June 5, 2019
8.5K
像素自我注意引导的实时实例细分为集团养的猪.
Zongwei Jia1, Zhichuan Wang1, Chenyu Zhao1
1College of Information Science and Engineering, Shanxi Agricultural University, Jinzhong 030801, China.
Animals : an open access journal from MDPI
|December 9, 2023
概括
本研究引入了一个像素自我注意 (PSA) 模块,以改善农场猪的实例细分. 该PSA模块增强了YOLACT模型,优于其他注意力机制,用于准确的猪跟踪和管理.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 动物科学动物科学
背景情况:
- 准确的猪实例细分对于现代农场管理至关重要.
- 挑战包括猪粘附,闭塞和姿势变化,使细分复杂化.
- 现有的模型在特征金字塔网络 (FPN) 中面临特征融合的限制.
研究的目的:
- 为猪在动态养殖环境中开发一个改进的实例细分模型.
- 为YOLACT模型提出和评估一个新的像素自我注意 (PSA) 模块.
- 在FPN模块中增强功能利用和融合.
主要方法:
- 收集了45头猪 (20-105天) 的视频数据,分别分布在8个猪中.
- 标记1917图像用于培训,验证和测试.
- 将一个拟议的像素自我注意 (PSA) 模块与联合通道和空间注意力集成到 YOLACT 模型的 FPN.
- 使用ResNet50和ResNet101作为骨干网络. 使用ResNet50和ResNet101作为骨干网络.
- 将PSA模块的性能与BAM,CBAM和SCSE注意力模块进行比较,使用AP和AR等指标.
主要成果:
- 在不同的骨干网络中,PSA模块的表现始终优于BAM,CBAM和SCSE关注模块.
- 通过ResNet101,PSA模块在AP0.5-0.95中取得了2.7%的改善,而没有注意.
- 视觉化证实了PSA模块在捕捉猪特征和改进YOLACT的细分机制方面的有效性.
- 该模型在自上而下的视图数据集上展示了强大的传输性能.
结论:
- 拟议的PSA模块显著提高了农业环境中的猪的实例细分精度.
- 该PSA模块提供了一个强大的解决方案,以应对猪养殖中诸如闭塞和姿势变化等挑战.
- 与PSA模块集成的YOLACT模型显示出在精密农业和猪场管理中实际应用的巨大潜力.
