农业 AI 中的跨物种迁移学习：评估 ZebraPose 适用于乳制动物姿态估计
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
姿态估计是计算机视觉理解动物姿态、行为及福利的基石。然而，农业应用受限于缺乏规模化、带注释的畜牧业数据集，尤其是乳制动物。本研究评估了通过适配 ZebraPose——一个基于视觉转换器训练于合成斑马图像上的模型——用于乳牛 27 关键点检测的跨物种迁移学习潜力与局限性。使用三个配置——定制农场数据集（375 张图片，加拿大不列颠哥伦比亚省），APT-36K 基准数据集的子集，以及它们的组合，我们系统评估了模型在不同环境下的准确度和泛化能力。虽然组合模型在分布内数据上取得令人鼓舞的性能（AP=0.86，AR=0.87，PCK 0.5=0.869），但在应用到未见过的牛舍和牛群时发生了显著的泛化失败。这一发现暴露了合成到真实的领域差距是农业 AI 部署的主要障碍，凸显形态相似性并不足以保证跨域迁移。该研究提供了关于数据集多样性、环境变异性和计算约束的实用见解，这些因素影响现实农业监测系统的部署。我们 concludes（结论）呼吁采用以农业为导向的 AI 设计，优先考虑农场层面的真实性、跨环境鲁棒性以及开放式基准数据集，以推动可信赖且可扩展的动物中心技术的发展。
引用
@article{arxiv.2510.22618,
title = {Cross-Species Transfer Learning in Agricultural AI: Evaluating ZebraPose Adaptation for Dairy Cattle Pose Estimation},
author = {Mackenzie Tapp and Sibi Chakravarthy Parivendan and Kashfia Sailunaz and Suresh Neethirajan},
journal= {arXiv preprint arXiv:2510.22618},
year = {2025}
}
备注
20 pages, 11 figures, 6 Tables