评估使用 D-CNN 算法对猪体条件进行分类的研究，主要关注卫生监测中观察到的特征，包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍（棕色或黑色）。研究结果表明，D-CNN 对与皮肤特征相关的猪体形态偏差具有有效分类能力，并通过分析 Precision、Recall、F-score、ANOVA 和 Scott-Knott 测试等性能指标进行评估。该研究的贡献在于提出了在猪类形态学分类中使用 D-CNN 网络的方法，并创建了一个新的图像数据库，可用于未来研究。

Mar, 2024

本研究概述了基于卷积神经网络体系结构的人类动作识别和姿态估计方法，并将其用于动物行为分类的技术进化及其架构适应性的分析。

Jan, 2023

本文探讨了如何通过卷积神经网络、注意力机制等深度学习方法来对钓鱼装备周围低能见度环境下的驱鱼行为进行自动分类，并比较了三种不同网络模型在分类精度上的表现。同时，文章也指出了在进行科学数据自动评估时，实验设计的重要性以及训练模型检查的实用性。

Mar, 2023

通过计算机视觉技术中基于深度学习的实例分割方法来对猪进行像素级别的精准分割，从而获取更多的信息，例如大小或重量；该方法在包括遮挡和脏镜头在内的各种干扰下，以约 95％的检测率（F1 得分）在 1000 张手动标记的图像数据集上进行了测试。

May, 2020

家畜健康和福利监测在过去通常是一项手动的、消耗大量人力的任务。近年来，人工智能和计算机视觉技术，特别是深度学习模型，已经被广泛应用于家畜行业作为决策工具。本文旨在通过系统文献综述，研究深度学习在家畜行为识别方面的应用和研究进展，分析了 44 个高质量的原始研究，讨论了性能评估、挑战以及发展自动化家畜行为识别系统的潜在解决方案与研究方向。

Oct, 2023

基于深度学习的视频暴力识别研究了准确且可扩展的人类暴力识别问题。本文提出了一种基于 Transformer 的新型专家混合 (MoE) 视频暴力识别系统，通过智能组合大型视觉 Transformer 和高效 Transformer 结构，系统不仅充分利用了视觉 Transformer 架构，还降低了使用大型视觉 Transformer 的成本。通过强化学习路由器，该架构最大化了暴力识别系统的准确性，并积极降低了计算成本。实证结果显示，在 RWF 数据集上，所提出的 MoE 架构相较于基于 CNN 的模型具有卓越的 92.4% 准确率。

Oct, 2023

利用深度学习模型对 “Pig Novelty Preference Behavior”（PNPB）数据集进行状态识别，其精度达到了 93％的准确度和 96％的平均精度，将深度学习引入到行为评分中，是提高领域特定度量的关键技术之一。

Jun, 2021

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

利用端到端深度学习技术和数据增强策略，提出一种暴力事件自动检测解决方案，相较于先前最好的方法，在一些具有挑战性的基准数据集中取得了良好的性能，可用于帮助执法部门及时采取行动。

Sep, 2022

本研究通过采用改进后的 U-Net 架构和条件生成对抗网络（CGAN）将分类模型扩展到更多时间点判断，提高活动识别的性能，对包括奶牛、猪在内的数据集进行了测试，并显示出明显的改进。

Sep, 2022