深度学习与 established 方法在牛腿行为监控中的比较
机器学习
2024-08-26 v1
摘要
近年来，随着可穿戴传感器数据在人类活动识别研究方面取得了显著进展，这种技术在畜牧科学的动物福利领域也具有巨大的潜力。本文报告了针对动物活动识别以支持福利监控的研究。数据来源于佩戴在 Holstein 和 Jersey 小牛颈部的加速度计传感器，目标是检测指示疾病或压力的行为变化。检测行为变化的关键要求在于能够将活动分类，例如喝水、跑步或行走。在机器学习术语中，这是一个时间序列分类任务，而近年来，Rocket 系列方法在该领域已成为最先进技术。我们拥有来自 30 只小牛超过 27 小时的标记时间序列数据用于分析。以该数据作为基线，我们呈现了 Rocket 在 6 类分类任务中的性能。然后，我们将其与 11 种深度学习 (DL) 方法的性能进行比较，这些方法被提出作为时间序列分类的有前景的方法。鉴于 DL 在相关领域的成功，合理预期这些方法在这里也能表现良好。惊讶的是，尽管我们谨慎确保 DL 方法的配置正确，但它们中没有一种方法能匹配 Rocket 的性能。Rocket 取得非凡成功的可能解释在于，它在更简单分类框架中拥有 DL 模型的数据编码优势。
引用
@article{arxiv.2408.13041,
title = {A Comparison of Deep Learning and Established Methods for Calf Behaviour Monitoring},
author = {Oshana Dissanayake and Lucile Riaboff and Sarah E. McPherson and Emer Kennedy and Pádraig Cunningham},
journal= {arXiv preprint arXiv:2408.13041},
year = {2024}
}