基于深度学习的联合时频数据表示的牛活动分类
机器学习
2021-06-18 v1 网络与互联网体系结构
摘要
自动化牛活动分类使牧民能够持续监测牲畜的健康与福祉，从而提高牛肉与乳制品的质量与产量。本文使用序贯深度神经网络来建立行为模型并分类牛的行为与活动。本文的核心在于探索传感器数据的联合时频域表示，并将其作为神经网络分类器的输入。我们的探索基于一个真实世界数据集，该数据集包含超过 300 万个样本，由安装在 10 头奶牛项圈标签上的三轴加速度计、磁力计与陀螺仪传感器采集，采集周期超过一个月。本文的关键结果是，联合时频数据表示即使与相对基础的神经网络分类器结合使用，也能优于文献中报道的最佳牛活动分类器。通过对神经网络分类器架构与超参数更系统的探索，还有进一步提升的潜力。最后，我们证明时频域数据表示使我们能够在模型规模与计算复杂度的显著降低与分类精度极微小下降之间高效权衡。这显示了我们的分类方法在资源受限的嵌入式与 IoT 设备上运行的潜力。
引用
@article{arxiv.2011.03381,
title = {Deep Learning-based Cattle Activity Classification Using Joint Time-frequency Data Representation},
author = {Seyedeh Faezeh Hosseini Noorbin and Siamak Layeghy and Brano Kusy and Raja Jurdak and Greg Bishop-hurley and Marius Portmann},
journal= {arXiv preprint arXiv:2011.03381},
year = {2021}
}
备注
22 pages, 17 figures