基于声音和运动信号的牛只觅食事件多头深度融合模型
机器学习
2025-05-16 v1
摘要
监控饲养行为对于高效的牧场管理和有效利用可用资源至关重要。通过识别动物的特定颚动作来自动识别动物的进食活动，能够提高饮食配方的准确性，并能及时检测代谢问题和动物不适等症状。过去二十年中，传感器用于此类监控变得非常流行。最常使用的传感器包括加速度计、麦克风和摄像头，每种传感器都有其优势和局限性。同时使用多种传感器以融合信号以提高估计精度的潜在价值尚未得到充分探索。为此，本工作引入了一种基于融合声学和惯性信号的深度神经网络，由卷积、循环和稠密层组成。该模型的主要优势在于通过独立从每种信号中自动提取特征来组合信号。该模型源于对本工作中提出的不同神经网络架构进行的探索和比较，这些架构在不同的层次上执行信息融合。特征级融合相较于数据和决策级融合以 0.14 为基准的 F1 分数指标提升显著。此外，还 presented 与当前机器学习方法的比较，包括传统方法和深度学习方法。该提议的模型获得了 0.802 的 F1 分数，相较于先前方法提升了 14%。最后，还报告了对该模型进行的消融研究和后训练量化评估结果。
引用
@article{arxiv.2505.10198,
title = {A multi-head deep fusion model for recognition of cattle foraging events using sound and movement signals},
author = {Mariano Ferrero and José Omar Chelotti and Luciano Sebastián Martinez-Rau and Leandro Vignolo and Martín Pires and Julio Ricardo Galli and Leonardo Luis Giovanini and Hugo Leonardo Rufiner},
journal= {arXiv preprint arXiv:2505.10198},
year = {2025}
}
备注
Preprint submitted to Engineering Applications of Artificial Intelligence