基于深度数据和深度度量学习的通用牛只识别

本文首次提出并评估了一种自上而下（背视图）、仅深度数据的深度学习系统，用于准确识别个体牛只，并提供了相关代码、数据集和训练权重以实现即时可重复性。牛群规模的增加使农场中牛与人的比例失衡，使得个体手动监测更加困难。因此，实时牛只识别对农场至关重要，也是迈向精准畜牧业的关键一步。基于我们之前的工作，本文介绍了一种使用来自现成3D相机的深度数据进行牛只识别的深度度量学习方法。该方法依赖于CNN和MLP骨干网络，从身体形状学习良好泛化的嵌入空间以区分个体——既不需要物种特定的毛色图案，也不需要近距离的鼻纹进行操作。网络嵌入使用简单算法（如$k$-NN）进行聚类，以实现高精度识别，从而无需重新训练网络即可注册新个体。我们评估了两种骨干架构：ResNet（先前用于使用RGB图像识别荷斯坦弗里西亚牛）和PointNet（专门用于操作3D点云）。我们还提出了CowDepth2023，一个包含99头牛的21,490张同步彩色-深度图像对的新数据集，用于评估骨干网络。消耗深度图和点云的ResNet和PointNet架构都达到了与基于毛色图案的骨干网络相当的高精度。