针对牛只的精准识别和精细畜牧的需要，本文首次提出和评估了一种自上而下（背部视角）的深度学习系统，该系统可使用深度数据准确识别个体牛只，为进一步研究提供了代码、数据集和训练权重。研究采用了基于卷积神经网络和多层感知器的背骨架，并通过生成嵌入空间进行聚类以实现高精度识别，无需重新训练网络。通过对 ResNet 和 PointNet 两种不同的背骨架进行评估，结果表明使用深度图和点云分别作为输入的模型均能获得与基于皮毛花纹的背骨架相当的高准确性。

Mar, 2024

本文对基于视觉的牛辨识进行了系统的文献综述，旨在分析使用机器学习和深度学习进行牛识别的研究，并发现支持向量机、k 最近邻和人工神经网络是最常用的机器学习模型，而卷积神经网络、残差网络、Inception、YOLO 和 Faster R-CNN 则是深度学习模型，而牛的口印和毛皮花纹是区分牛的最显著特征。

Oct, 2022

通过使用计算机视觉和深度学习的新方法，生态学家可以提取图像 / 视频数据中的动物并训练深度学习分类器以重新识别动物个体，从而从根本上改变相机陷阱数据的分析方式并革命动物生态学方法。

Nov, 2018

使用两个深度学习分类模型进行牛的识别，实现了最高 99.5％的准确率，并探讨了模型训练和识别时间与机器性能的相关性。

Nov, 2023

展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

Feb, 2019

本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

Nov, 2016

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

提出了一种新的人员再识别架构，基于双线性卷积神经网络，通过在预定义区域中进行双线性汇总，以更局部的方式提供空间信息，比 Bilinear-CNN 和现有技术在三个基准数据集上表现更优秀。

Dec, 2015

本研究提出 Auto-ReID 算法，利用检索式搜索算法设计一个适用于特定的 Person re-identification 任务的卷积神经网络，通过神经架构搜索技术实现自动构建，实验证明与其他算法相比，减少了 50% 的网络参数和 53% 的计算量。

Mar, 2019

本研究提出了一种方法来排除训练和评估阶段的背景偏差，通过在动物重新识别中使用无监督技术实现特征对齐和姿势变化，从而在 ATRW、YakReID-103 和 ELPephants 等关键动物重新识别数据集上取得了卓越的结果。

May, 2024