可持续的自训练猪检测系统与增强的单标签目标数据,用于解决域移位问题.
Junhee Lee1, Heechan Chae1, Seungwook Son1
1Info Valley Korea Co., Ltd., Anyang 14067, Republic of Korea.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究引入了一种用于自动化猪监测系统的新型领域适应方法. 这种方法显著提高了在各种农场环境中使用最小标记数据的猪检测准确度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 全球猪肉消费量不断增加,需要有效的畜牧管理.
- 深度学习模型越来越多地用于自动化猪舍监控.
- 由于环境变化 (照明,摄像头角度,密度) 的域移动严重降低了模型性能.
研究的目的:
- 解决深度学习模型在现实世界猪环境中的性能退化问题.
- 开发一种具有成本效益的域调整方法,只需要单个标记目标 (SLOT) 样本.
- 为了在各种养殖条件下实现强大的和普遍的猪检测,而无需广泛的数据标签.
主要方法:
- 一种基于自我训练的域调整方法,使用单个标记目标 (SLOT) 样本.
- 基于遗传算法 (GA) 的数据增强搜索 (DAS) 优化了SLOT数据.
- 一个超低值的策略,在自我训练期间结合低信心的伪标签.
主要成果:
- 在域转移条件下,平均精度 (AP) 从36.86提高到90.62,显著改善.
- 仅使用SLOT数据,实现了与完全监督学习可比的性能.
- 在各种养猪环境中表现出强大的检测性能,在域名转换下表现稳定.
结论:
- 拟议的基于SLOT的域名适应方法有效地克服了猪舍监控中的域名转移挑战.
- 该系统为现实世界农业应用提供了可行和高效的解决方案.
- 这种方法大大减少了对畜牧管理系统中大规模,昂贵的数据标签的需求.