面向精准动物活动识别的最优抽样率选择与无偏分类

随着深度学习技术的快速发展，基于可穿戴传感器的动物活动识别（AAR）已展现出巨大的潜力，从而提高了养殖管理效率以及动物健康与福祉的监测。然而，现有研究往往侧重整体性能，忽视了针对特定动物行为类别的分类准确率可能仍不理想这一问题。这一问题通常源于抽样率不佳或类别不平衡。为解决这些挑战并实现农场动物所有行为的高分类准确率，我们提出了一种新型Individual-Behavior-Aware Network（行为感知网络，IBA-Net）。该网络通过同时定制特征并校准分类器，来增强对每种特定行为的识别。具体而言，鉴于不同行为需要不同的抽样率才能实现最佳性能，我们设计了基于混合专家（Mixture-of-Experts，MoE）的特征定制（Feature Customization，MFC）模块。该模块自适应地融合来自多个抽样率的数据，捕获针对各种动物行为的定制化特征。此外，为缓解类别不平衡导致的分类器对多数类的偏置，我们开发了基于神经坍塌（Neural Collapse）的分类器校准（NC3）模块。该模块在分类阶段引入固定的等角紧致框架（equiangular tight frame，ETF）分类器，通过最大化两两分类器向量之间的夹角，从而提升少数类的分类性能。为验证IBA-Net的有效性，我们在覆盖山羊、牛和马活动识别的三个公开数据集上进行了实验。结果表明，该方法在所有数据集上均优于现有方法。