评估深度学习在小农场利用深度图和点云数据预测牛的体重方面的迁移学习策略
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
计算机视觉提供了用于监控牛只的自动化、非侵入性和可扩展工具，从而支持管理、健康评估和表型数据收集。尽管迁移学习在预测牛的体重方面被广泛使用，但其有效性以及最佳微调策略在畜牧业应用中仍不为人知，尤其是超出使用预训练 ImageNet 或 COCO 权重的情形。此外，尽管深度图像和三维点云数据都被用于体重预测，但在牛只方面的直接比较仍有限。因此，本研究的目标是 1) 评估大农场的迁移学习是否能提高在数据有限的小农场上的体重预测准确性，以及 2) 在三个实验设计下比较深度图像和点云方法的预测性能。我们收集了来自大、中、小三座奶牛场的 1,201、215、58 头牛的顶视深度图像和点云数据。评估了四个深度学习模型：ConvNeXt 和 MobileViT 用于深度图像，PointNet 和 DGCNN 用于点云。迁移学习在所有四个模型上均显著提高了小农场的体重预测准确性，优于单源学习，甚至超过联合学习。这些结果表明，预训练的表征能够良好地跨农场推广，适用于不同成像条件和牛只 population 的情形。在三个实验设计下，深度图像和点云模型之间没有一致的性能差异。总体而言，这些发现表明，迁移学习非常适合数据在隐私、物流或政策限制下难以共享的小农场预测场景，因为它只需要预训练模型权重，而无需原始数据。
引用
@article{arxiv.2601.01044,
title = {Evaluating transfer learning strategies for improving dairy cattle body weight prediction in small farms using depth-image and point-cloud data},
author = {Jin Wang and Angelo De Castro and Yuxi Zhang and Lucas Basolli Borsatto and Yuechen Guo and Victoria Bastos Primo and Ana Beatriz Montevecchio Bernardino and Gota Morota and Ricardo C Chebel and Haipeng Yu},
journal= {arXiv preprint arXiv:2601.01044},
year = {2026}
}