基于多样且具挑战性条件下的猪只检测与跟踪基准测试

为确保猪场动物福利和高效管理，监控individual行为是关键前提。虽然传统上监控任务依赖人工完成，但机器学习的进步使得以自动化方式获取individual信息成为可能。这些方法的核心是跨空间（目标检测）和时间（多目标跟踪）对动物的位置进行定位。尽管在猪场领域对这两项任务进行了大量研究，但尚未开展系统的基准测试研究。本文通过构建两个数据集来弥补这一空白：PigDetect用于目标检测，PigTrack用于多目标跟踪。这两个数据集基于真实畜栏环境下的多样化图像和视频素材，包含遮挡或视野差的等具挑战性情景。对于目标检测，我们表明，使用具挑战性训练图像的检测性能优于仅使用随机采样图像。比较不同方法后发现，最新模型在检测质量上显著优于实时方案。对于多目标跟踪，我们观察到基于SORT的方法在检测性能方面优于端到端可训练模型。然而，端到端模型在关联性能上表现更好，表明它们未来可能成为强有力的替代方案。我们还探讨了端到端模型的典型失效案例，为未来改进提供了指导。本文训练的检测与跟踪模型在未见的畜栏中表现良好，表明其具有良好的泛化能力。这突显了高质量训练数据的重要性。本数据集和研究代码已公开，以促进可重复性、可复用性及进一步开发。