CCoMAML：基于合作模型无关元学习的高效牛只识别
计算机视觉与模式识别
2025-09-16 v1
摘要
牛只识别对于高效畜牧业管理至关重要，目前依赖于射频识别（RFID）耳标，但RFID系统容易因丢失、损坏、篡改和易受外部攻击而失效。作为一种稳健的替代方案，基于牛只口部纹理的生物识别技术（类似人类指纹）正在成为有前景的解决方案。深度学习技术已显示在利用这些独特纹理进行准确识别方面取得成功。但深度学习模型面临数据稀缺、数据收集中断以及动态牧场组成需要频繁重新训练的挑战。为此，本文提出了一个用于实时牛只识别的 novel few-shot 学习框架，即基于Cooperative Model-Agnostic Meta-Learning（CCoMAML）的多头注意力特征融合（MHAFF）作为特征提取模型。该模型通过高效地从少量数据样本中学习，无需重新训练即可适应新数据，具有很强的模型适应性。对所提出的CCoMAML与MHAFF的方法进行了严格的评估，与当前应用于牛只识别的 state-of-the-art few-shot 学习技术进行了比较。综合实验结果表明，我们提出的CCoMAML与MHAFF在牛只识别性能方面优于当前技术，F1分数分别为98.46%和97.91%。
引用
@article{arxiv.2509.11219,
title = {CCoMAML: Efficient Cattle Identification Using Cooperative Model-Agnostic Meta-Learning},
author = {Rabin Dulal and Lihong Zheng and Ashad Kabir},
journal= {arXiv preprint arXiv:2509.11219},
year = {2025}
}