数分钟标注一群牛：个体荷斯坦-弗里生牛识别

我们描述了一种经过实际评估的方法，用于训练整个农场的视觉牛身份识别系统，仅需十分钟标注工作量。具体而言，针对真实农场监控中个体荷斯坦-弗里生牛的自动识别任务，我们展示了自监督、度量学习、聚类分析和主动学习能够相互补充，显著减少训练牛识别框架通常所需的标注量。在公开可用的 Cows2021 数据集的测试部分上进行评估，训练时我们使用了来自运营农场视频中自动化定向牛检测与跟踪生成的 435 条单一个体轨迹上的 23,350 帧。首先采用自监督度量学习初始化候选身份空间，其中每条轨迹被视为一个独立实体。然后通过聚类分析和主动学习自动合并，将实体分组为表示牛身份的等价类。关键的是，我们确定了自动化选择无法复现基于人工干预所带来的改进的拐点，从而将标注降至最少。实验结果表明，在自动化自监督之后进行聚类分析和几分钟标注，可将 153 个身份的测试识别准确率从仅自监督的 74.9%（ARI=0.754）提升至 92.44%（ARI=0.93）。这些有前景的结果表明，视觉牛身份识别流程中人与机器推理的定制组合可非常有效，同时仅需极少的标注工作量。我们随本文提供所有关键源代码和网络权重以便轻松复现结果。