PBC-变压器:使用图像标题生成技术解释家禽行为分类.

科学领域:

• 人工智能的人工智能
• 动物科学动物科学
• 计算机视觉 计算机视觉

背景情况:

• 准确的家禽行为分类对于动物福利和健康监测至关重要.
• 现有的方法往往缺乏解释力,无法为分类决定提供理由.
• 模仿专家评估需要能够分类和描述行为的模型.

研究的目的:

• 介绍PBC-Transformer,这是一个新的模型,集成图像标题,用于增强家禽行为分类.
• 为了提高人工智能驱动的家禽行为分析的解释性.
• 通过提供描述性见解来开发模仿专家评估的模型.

主要方法:

• 开发了PBC转换器,结合了多头注意力 (HSPC),可学习的稀疏机制 (LSM),RNorm和深度可分离的卷积.
• 集成了一个多层次的注意力差异器,用于动态区域选择和精确的行为描述.
• 引入了ICL-Loss功能,以平衡标题生成和分类任务.
• 在PBC-CapLabels数据集上进行实验.

主要成果:

• PBC-Transformer显著优于现有的13种分类模型,准确度提高了15%.
• 该模型在图像标题指标中获得了最先进的分数:Bleu4 (0.498),RougeL (0.794),Meteor (0.393) 和Spice (0.613).
• 在家禽行为分类和生成描述字幕方面都表现出卓越的表现.

结论:

• 通过将分类与可解释的图像标题结合起来,PBC-Transformer在家禽行为分析方面取得了重大进展.
• 该模型为监测家禽福利和健康提供了更全面,更易于解释的方法.
• 这种方法为精密畜牧业中更复杂的人工智能应用铺平了道路.