Dec, 2023

CattleEyeView: 一种用于智能精准畜牧农业的多任务自上而下视角的牛数据集

PDF
TL;DR介绍了 CattleEyeView 数据集，这是第一个自顶向下视角的多任务牛视频数据集，可用于牛的计数、检测、姿势估计、跟踪和实例分割，以评估模型在每个任务上的性能。
cattle farmingprecision livestock farmingautomated systemscattleeyeview datasettop-down view
发现论文，激发创造
  • 面向精准畜牧农业的公共计算机视觉数据集：系统调查

    这项研究首次系统调查了公开可获得的牲畜计算机视觉数据集，并讨论了数据集的特征、应用及其对动物福利的影响。同时，还探讨了开发牲畜计算机视觉数据集所面临的挑战和机遇，指出数据质量和标注数量的限制是牲畜精准畜牧中的一个瓶颈。

    Jun, 2024

  • CVB：一份关于牛视觉行为的视频数据集

    该研究介绍了一个名为 Cattle Visual Behaviors (CVB) 的视频数据集，用于牛行为识别。通过计算机视觉标注工具（CVAT）收集了 502 个视频剪辑，每个视频剪辑都有 15 秒长，并且标注了 11 种能够直观感知的牛的行为。研究使用预训练模型对视频中的牛进行检测和跟踪，并使用 CVAT 进行修正和标记，从而减少了标注的时间和精力。最后，使用 SlowFast 动作识别模型对该数据集进行了训练和评估，能够准确地识别牛的频繁出现的行为。

    May, 2023

  • 牛只再识别的多视图嵌入

    研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

    Feb, 2019

  • 基于深度数据和深度度量学习的普适性牛标识

    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

  • 牛辨识的机器学习技术的系统综述：数据集，方法和未来方向

    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

  • CattleFace-RGBT: RGB-T 牛脸坐标基准

    CattleFace-RGBT 数据集构建了 2300 对 RGB-T 图像，使用 AI 辅助标注工具半自动地在 RGB 图像和热像图上定位面部关键点，以实现对牛的呼吸迹象和温度的测量，旨在建立基准用于未来研究和分析比较。

    Jun, 2024

  • 使用遥感技术在野外检测牛和麋鹿

    本研究基于深度学习提出一种基线方法 CowNet, 用于同时估计图片中的动物数量和像素级别的位置信息，旨在支持生态研究。此外，我们还提出了一种评估方法，用于考虑噪声标签的不确定性和生态监测任务利益相关者的信息需求。最终，我们利用该方法评估了视觉计数对象场景中的基准方法，发现该模型在 Point Reyes Seashore, CA 地区的三个测试场景中表现最佳，平均精度为 0.56 到 0.61，平均召回率为 0.78 到 0.92。

    Jun, 2021

  • 一种用于牛脸识别的并行关注网络

    野生环境下的牛脸识别在畜牧业和行为研究领域具有重要意义。该研究创建了第一个大规模的牛脸识别数据集，ICRWE，包含 483 头牛和 9,816 个高分辨率图像样本。通过采用并行注意力网络（PANet），在 ICRWE 数据集上取得了 88.03% 的识别准确率，成为当前最先进的方法。

    Mar, 2024

  • AnimalFormer：基于行为的精准畜牧农场的多模态视觉框架

    我们介绍了一个多模态视觉框架，用于精确畜牧业，利用 GroundingDINO、HQSAM 和 ViTPose 模型的力量。此集成套件可以从视频数据中进行全面的行为分析，无需侵入性动物标记。GroundingDINO 在家畜周围生成准确的包围框，而 HQSAM 在这些框内分割个体动物。ViTPose 估计关键身体点，便于姿势和运动分析。在包括放牧、奔跑、坐立和行走活动的绵羊数据集上进行演示，我们的框架提取了宝贵的洞察力：活动和放牧模式、互动动力学和详细的姿势评估。该框架适用于各个物种和视频分辨率，为活动检测、计数、健康评估和姿势分析领域的非侵入性畜牧监测带来革命。通过基于数据驱动的行为理解，它给予农场管理以动力，并优化动物福利和生产力。

    Jun, 2024

  • 基于三路网络的实时牛交互识别

    本研究应用计算机视觉技术实现了对肉牛间的交互行为实时的自动识别，通过三流 CNN 模型，综合视觉、几何和语义特征对个体动作和交互行为进行处理，采用自监督学习方法对模型进行预训练，实现了交互行为识别的高精度和实时性。

    Sep, 2022