PetFace:一个用于动物识别的大规模数据集和基准
提出了一个包含大量标注的动物面部数据集,可用于面部对齐、检测和细粒度识别等多项应用,尤其对监测动物面部行为具有重要的启示作用,有助于改善动物医疗保健并推动计算机视觉算法相关技术的进步
Sep, 2019
该论文提出了一种名为BARC的新方法,该方法通过对犬种相似性的研究,解决了从单幅图像中恢复犬只3D形态和姿态的难题,证明了基因相似性的先验信息可以帮助弥补缺乏3D训练数据的不足。
Mar, 2022
创建了一个大而多样的数据集Animal Kingdom,用于多种已注释的任务,帮助更全面地理解自然动物行为,包括视频定位、精细多标签动作识别和姿势估计任务,跨越了6个动物大类的850个物种,提出了一种CARe模型,可以学习识别新的动物行为,实验结果显示了很好的性能
Apr, 2022
本文介绍了一个名为Cat Facial Landmarks in the Wild (CatFLW)的数据集,其中包含了2016张猫脸的照片,并且使用48个脸部重点标记和猫脸特定的脸部动作单元(CatFACS)进行了注释,以用于动物情感计算和面部分析的自动化。此外,作者还介绍了一种半监督(人在环路)的方法来注释图像中的标志,以便创建此数据集,并提供在请求时获得该数据集。
May, 2023
提出了一个名为MammalNet的新大规模动物行为数据集,包括173种哺乳动物的17个目、69个科,该数据集涵盖了过去动物行为研究中关注的12种高级动物行为,并在其上建立了三种基准。
Jun, 2023
提出了Animal3D数据集,为哺乳动物的3D姿态和形状估计提供了全面的数据集,实验证明跨物种的动物3D形状和姿态的预测仍然是一项非常具有挑战性的任务,合成预训练是提高模型性能的一种可行策略。
Aug, 2023
研究了11只狗的可视注视及其对不同物体的视觉注意力,使用头戴式眼动仪和训练好的 MaskRCNN 模型对数据进行了分析,结果显示狗更多地注视公交车、植物、人行道和建筑设备。
Nov, 2023
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
动物情感计算是一个快速发展的研究领域,目前关注于动物内部状态的自动追踪,如疼痛和情绪,动物的面部表情可以用来传达这些状态信息,本文基于狗的面部解剖标志物的方案,开发了一个包含3274张狗的图像的数据集,名为DogFLW数据集。
May, 2024
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