轻量级牛的姿势估计与复制参数化和注意力机制的融合

科学领域:

• 计算机视觉 计算机视觉
• 动物科学动物科学
• 机器学习 机器学习

背景情况:

• 基于热图的牛体位估计方法表现出高网络复杂性和缓慢的检测速度.
• 现有的方法与复杂的场景作斗争,需要更有效的方法.

研究的目的:

• 提出一个端到端的,轻量牛构成估计网络,克服基于热图的方法的局限性.
• 通过复杂场景的重定量化网络和注意力机制来提高网络性能.

主要方法:

• 开发了EfficientRepBiPAN (高效表示双向渐进注意网络) 模块用于子网络,以捕获多尺度特征并减少冗余.
• 将一个无参数的3D SimAM (基于相似性的注意力机制) 集成到骨干中,以捕获方向和位置信息.
• 使用6846张图像的数据集对模型进行了评估.

主要成果:

• 与基线方法相比,拟议的网络实现了平均准确度增加4.3% (在OKS=0.5).
• 减少了1.0G的浮点计算和0.16M的参数.
• 超越了HRNet和YOLOv5-pose等现有模型的性能,将AP0.5提高了至少0.4%,同时减少了参数和计算.

结论:

• 拟议的轻量级网络在牛体位估计的准确性和效率之间提供了和的平衡.
• 这种方法为各种畜牧业的位估计提供了宝贵的理论参考.
• EfficientRepBiPAN和SimAM模块对提高性能和减少计算负载做出了重大贡献.