关于牛虹膜细分的深度学习框架
Heemoon Yoon1, Mira Park1, Hayoung Lee2
1School of Information Communication and Technology, University of Tasmania, Hobart 7005, Australia.
Journal of animal science and technology
|April 15, 2024
概括
这项研究引入了用于牛虹膜细分的深度学习框架,优化动物生物识别以实现牲畜可追溯性. 使用VGG16骨干的U-Net实现了99.50%的准确性,即使使用了最小的注释数据.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 动物生物识别数据
背景情况:
- 虹膜细分对于牲畜追踪系统至关重要.
- 准确的动物识别依赖于可靠的生物识别数据.
研究的目的:
- 开发一个深度学习框架,用于像素智能的牛虹膜细分.
- 使用最小的注释标签优化细分性能.
- 建立一个可靠的深度神经网络 (DNN) 培训框架.
主要方法:
- 使用了公开的BovineAAEyes80数据集.
- 训练了15个深度神经网络 (DNN) 模型,具有各种编码器骨干和细分解码器.
- 使用精度,子系数和图形结果评估模型.
主要成果:
- 确定了使用VGG16骨干的U-Net作为最佳模型.
- 实现了99.50%的准确性和98.35%的子系数得分.
- 证明了受损图像的准确细分,注释有限.
结论:
- 拟议的框架有效地以高精度对牛虹膜进行细分.
- 具有VGG16骨干的U-Net对此任务来说是最优的.
- 这一进步支持可靠的DNN培训,用于牲畜生物识别.
