实现自动化监测:用于视觉,非侵入性重新识别的数据集和机器学习方法

科学领域:

• 动物科学动物科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 是全球最受养殖的动物,因此需要有效的个体识别方法.
• 现有的动物重新识别数据集有限,特别是在家禽方面.

研究的目的:

• 介绍 Chicks4FreeID 数据集,这是个人重新识别的第一个公共资源.
• 评估基于变压器的模型在各种学习场景中重新识别的性能.

主要方法:

• 开发了Chicks4FreeID数据集,包括个别图像.
• 使用基于变压器的特征提取器 (视觉变压器,旋转变压器) 与线性和非线性分类器.
• 进行了封闭集合重新识别的实验,包括域移动,监督和一次性学习.

主要成果:

• 转移学习显示出高效率,特别是在有限的数据.
• 带有线性分类器的视觉变压器实现了最先进的性能 (97.0% mAP,95.1%的top-1精度).
• 与Swin变压器相比,视觉变压器产生了优越的嵌入集群.

结论:

• Chicks4FreeID数据集促进了对个体动物重新识别的研究.
• 变压器架构,特别是视觉变压器,对于重新识别非常有效.
• 转移学习为家禽识别系统提供了一个强大的策略,特别是在数据稀缺的环境中.