相关实验视频
Updated: Jan 18, 2026
07:12
Profiling Maternal Behavior Responses During Whole-Brain Imaging
Published on: January 24, 2025
1.4K
动态_瓶模块融合动态卷积和稀疏空间注意力,用于个人牛的识别
Haobo Qi1, Tianxiong Song1, Yaqin Zhao1
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
Animals : an open access journal from MDPI
|September 13, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用动态卷曲和注意力机制准确识别单个牛. 改进的模型改善了用于繁殖和健康管理的非侵入性奶牛监测.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 动物科学动物科学
背景情况:
- 准确的牛个体识别对于畜牧管理至关重要,它可以监测行为,健康和生长,用于繁殖选择.
- 像射频识别 (RFID) 这样的传统方法可能会引起压力,而现有的基于图像的方法则难以适应环境和复杂场景.
- 需要采用非侵入性,准确和强大的奶牛识别系统,适应各种条件.
研究的目的:
- 开发一种基于图像的先进深度学习模型,用于准确和非侵入性地识别牛.
- 在准确性,适应性和复杂性方面克服传统和当前基于图像的方法的局限性.
- 通过改善牛的监测和选择能力来加强畜牧业管理.
主要方法:
- 设计了一个新的动态卷积 (Dy_Conv) 模块,并将其集成到一个带有Sparse-shift Attention (S2Attention) 的Dynamic_Bottleneck模块中.
- 修改了Resnet50架构,将瓶层替换为Dynamic_Bottleneck,以增强功能提取.
- 整合了查询自适应卷积 (QAConv) 以适应规模,以及基于规范化的注意模块 (NAM) 以功能融合.
主要成果:
- 拟议的模型在公共数据集上实现了高性能指标:排名-1准确率为96.8%,排名-5准确率为98.9%,mAP为95.3%.
- 该模型有效地捕捉和整合了牛外观的多尺度特征,提高了复杂环境中的识别准确性.
- 与现有方法相比,表现出优异的性能,特别是在区分视觉上相似的个体奶牛方面.
结论:
- 开发的模型提供了一种强大而准确的解决方案,用于非侵入性地识别单个牛.
- 新型模块 (Dy_Conv,Dynamic_Bottleneck,QAConv,NAM) 显著提高了模型处理尺度变化和复杂场景的能力.
- 这种进步支持精准畜牧业,因为它可以更有效地监测和管理单个奶牛.
