基于解缠表示学习的跨摄像头牛只识别
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
对个体牛只的精准识别是智能畜牧业中综合性数字化管理的基本前提。虽然现有动物识别方法在受控的单摄像头环境中表现优异，但在跨摄像头泛化方面面临严峻挑战。当模型在源摄像头上训练后部署到具有不同照明、背景、视角和异构成像特性的新监控节点时，识别性能往往会显著下降。这限制了非接触技术在动态现实农场环境中的大规模应用。为此，本研究提出了基于解缠表示学习的跨摄像头牛只识别框架。该框架在牛只视觉识别的语境下利用子空间可辨性保证（SIG）理论。通过建模底层物理数据生成过程，我们设计了以驱动的特征解缠模块，将观察到的图像分解为多个正交潜在子空间。该机制有效地隔离了保持跨摄像头不变的稳定、与身份相关的生物特征，从而大幅提升对未见摄像头的泛化能力。我们构建了一个覆盖五个不同摄像头节点的高质量数据集，涵盖异构采集设备和复杂的光照与角度变化。广泛的七个跨摄像头任务实验表明，所提方法平均准确率达 86.0%，显著优于源摄像头基线（51.9%）和最强的跨摄像头基线方法（79.8%）。本工作为基于子空间理论的特征解缠框架树立了用于受控智能农场环境中精准动物监控的新范式。
引用
@article{arxiv.2602.07566,
title = {Cross-Camera Cow Identification via Disentangled Representation Learning},
author = {Runcheng Wang and Yaru Chen and Guiguo Zhang and Honghua Jiang and Yongliang Qiao},
journal= {arXiv preprint arXiv:2602.07566},
year = {2026}
}