CVPRNov, 2023

基于标记重识别的自动蜜蜂花斑测定方法

PDF
TL;DR使用蜜蜂行为分析中的油漆标记实现自动化的研究表明，对于轻量级标记，油漆标记是可行的；我们提供了一个由 4392 个图像和 27 个标识组成的蜜蜂重新识别的新型数据集，使用 ResNet 主干和三元组损失的对比学习导致几乎完美的身份识别特征；多样化实验评估了推广到单独标识的能力，并展示了仅使用未标记的腹部进行识别的影响；此外，我们展示了完全自动化的访问检测的潜力，并提供了未来在边缘设备上实时部署的计算时间的初步结果。
paint markingsbehavioral assayshoney beesre-identificationedge device
发现论文，激发创造
  • 使用深度学习进行用户定义特征的无标记跟踪

    通过深度神经网络的迁移学习方法，本论文提出了一种高效的无标记跟踪方法，可以在不同的实验环境中跟踪动物不同的身体部位，尤其在少量训练数据的情况下也能获得很好的跟踪效果。

    Apr, 2018

  • 无标记的逆向鉴定补充了对生物实验中个体昆虫主体的重新鉴定

    引入新颖的无标记反向识别动物的概念和实用技术，以补充传统的前瞻性纵向行为研究方法。研究中提出了通过模型训练实现反向识别，以提高资源效率，减少手动标注工作和计算资源投入。

    May, 2024

  • 计算机视觉用于自动蜜蜂计数应用的方法

    通过计算机视觉技术对蜜蜂群的健康状态进行监测，本研究比较了三种自动蜜蜂计数方法，并发现基于 ResNet-50 卷积神经网络分类器的算法在 BUT1 和 BUT2 数据集上分别达到了 87% 和 93% 的准确率。

    Jun, 2024

  • 在二维蜜蜂蜂巢中实现密集目标跟踪

    本文研究了利用卷积神经网络实现密集物体跟踪，通过对蜜蜂巢穴模型的适应性个体标记和 U-Net 分割架构的使用，进一步利用视频记录的时间规律，通过机器学习实现对密集群体中物体的准确识别，并可以在一个网络结构内有效地确定物体的位置和方向。

    Dec, 2017

  • AutoPaint: 一种自我修复方法用于无监督异常检测

    本研究提出一种基于无监督异常检测方法的肿瘤检测方法，通过学习健康解剖结构，提出了一种稳健的基于修复模型的健康解剖结构重建方法，并基于此提出了一个自动修复的肿瘤检测方法，经实验证明，该方法在多模态图像中与有监督检测相比效果非常接近。

    May, 2023

  • 野生鱼类个体复识别的对比学习方法

    本研究提出了一种基于对比学习的模型，将物理标记技术替换为图像分析进行个体鉴定，其在对 Symphodus melops 的照片进行处理后，取得了较高的准确率。

    Jan, 2023

  • 一种自监督方法用于大鼠图像的身体部位分割与关键点检测

    通过计算机视觉方法和深度神经网络，本文提出了一种能够解决个体组件识别、关键点检测和行为分析的系统，并且不受对象遮挡的影响，从而摆脱了对实验室动物手动标注的需求。

    May, 2024

  • 可学习的视觉标记

    本论文提出了一种基于深度生成网络设计可视标记的新方法，该方法综合考虑了与标记制造和扫描相关的典型光度和几何变形，能够自动适应使用场景和所需容量，并能够将信息编码与艺术风格相结合。

    Oct, 2016

  • 基于无标签视频数据的有规律单独物种自动个体识别

    本研究开发了自动分析照相陷阱视频以识别动物个体的管道，该管道基于计算机视觉和深度学习组件，特别是卷积神经网络和尺度不变特征变换，并在非人工交互方面实现了额外组件。该管道可用于保护项目，以减少手动分析工作的时间和提高个体识别的成功率。

    Apr, 2023

  • 强化农业 4.0 的传粉者保护：通过物体识别监测蜜蜂

    使用计算机视觉和目标识别技术自动追踪和报告蜜蜂行为，以实现保护传粉动物，推动环境监测和全球粮食安全，进而提供一个可解释的人工智能接口，方便非技术专家利用蜜蜂检测事件生成时间戳报告和图表，以促进环保产业的负责任消费和生产。

    May, 2024