基于多摄像头和自监督学习的霍尔斯坦-弗里斯曼牛身份识别

我们提出了 MultiCamCows2024 数据集，这是一个在工作农场上跨多台摄像机拍摄的农场规模图像数据集，用于基于个体霍尔斯坦-弗里斯曼牛独特的黑白斑纹进行生物识别。该数据集由三台安装在牛棚相邻区域的天花板摄像头在七天内拍摄而成，包含 101,329 张 90 头牛的图像，以及底层原始 CCTV 录像 footage。该数据集附带完整的计算机视觉识别基线，包括在牛的轨迹框上训练的有监督学习和自监督学习框架，用于个体牛身份识别。我们报告了该数据集在单张图像身份识别中的准确率超过 96%，并展示了在学习过程中结合多摄像头数据可提升自监督识别效果。我们表明，该框架实现了自动牛的身份识别，仅需对轨迹框完整性进行简单的人工验证。关键在于，我们的研究表明，多摄像头、有监督和自监督组件的联合作用，不仅能够实现高度准确的个体牛身份识别，还能在无需人工标注牛的身份信息的前提下高效实现。我们认为，这一效能提升在畜牧业管理、行为分析和农业监测方面具有实际意义。为保证可重复性和实用性，我们随论文发布了包括重新识别组件和物种检测器在内的所有关键软件和代码，地址为 https://tinyurl.com/MultiCamCows2024。