論文の概要: Label a Herd in Minutes: Individual Holstein-Friesian Cattle Identification

• arxiv url: http://arxiv.org/abs/2204.10905v1
• Date: Fri, 22 Apr 2022 19:41:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 13:00:13.864473
• Title: Label a Herd in Minutes: Individual Holstein-Friesian Cattle Identification
• Title（参考訳）: 数分で牧草地を作る:ホルシュタイン・フリース牛の個体識別
• Authors: Jing Gao, Tilo Burghardt, and Neill W. Campbell
• Abstract要約: 農場全体での視覚牛のIDシステムの訓練には,ラベル付けに10分しかかからなかった。 実世界の農業CCTVにおける個人ホルシュタイン・フリーズの自動識別作業において,自己監督,メートル法学習,クラスタ分析,アクティブラーニングが相互に補完可能であることを示す。
• 参考スコア（独自算出の注目度）: 12.493458478953515
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We describe a practically evaluated approach for training visual cattle ID systems for a whole farm requiring only ten minutes of labelling effort. In particular, for the task of automatic identification of individual Holstein-Friesians in real-world farm CCTV, we show that self-supervision, metric learning, cluster analysis, and active learning can complement each other to significantly reduce the annotation requirements usually needed to train cattle identification frameworks. Evaluating the approach on the test portion of the publicly available Cows2021 dataset, for training we use 23,350 frames across 435 single individual tracklets generated by automated oriented cattle detection and tracking in operational farm footage. Self-supervised metric learning is first employed to initialise a candidate identity space where each tracklet is considered a distinct entity. Grouping entities into equivalence classes representing cattle identities is then performed by automated merging via cluster analysis and active learning. Critically, we identify the inflection point at which automated choices cannot replicate improvements based on human intervention to reduce annotation to a minimum. Experimental results show that cluster analysis and a few minutes of labelling after automated self-supervision can improve the test identification accuracy of 153 identities to 92.44% (ARI=0.93) from the 74.9% (ARI=0.754) obtained by self-supervision only. These promising results indicate that a tailored combination of human and machine reasoning in visual cattle ID pipelines can be highly effective whilst requiring only minimal labelling effort. We provide all key source code and network weights with this paper for easy result reproduction.
• Abstract（参考訳）: 本報告では,10分間のラベリング作業に留まらず,農場全体の視覚牛idシステムを訓練するための実践的評価手法について述べる。 特に,実世界の農業CCTVにおけるホルシュタイン・フリース人個人の自動識別作業において,牛の識別フレームワークの訓練に必要なアノテーション要件を大幅に削減するために,自己監督,計量学習,クラスタ分析,アクティブラーニングが相互に補完可能であることを示す。 公開されているCows2021データセットのテスト部分に対するアプローチを評価するために、運用中の農場の映像で自動配向牛の検出と追跡によって生成される435個のトラックレットに対して23,350フレームを使用します。 自己教師付きメートル法学習はまずまず、それぞれのトラックレットが別個の実体と見なされる候補のアイデンティティ空間を初期化する。 エンティティを牛のアイデンティティを表す等価クラスにグループ化することは、クラスタ分析とアクティブラーニングによる自動マージによって行われる。 重要な点として,アノテーションを最小限に抑えるため,人間の介入に基づいて自動選択が改善を再現できない点を特定する。 実験結果から,自動自己監督後のクラスタ分析と数分間のラベリングにより,自己監督のみで得られた74.9%(ARI=0.754)から153アイデンティティの検定精度が92.44%(ARI=0.93)に向上することが示された。 これらの有望な結果は、視覚牛のIDパイプラインにおける人間と機械の推論を調整した組み合わせは、最小限のラベル付け作業しか必要とせず、非常に効果的であることを示している。 この論文では、ソースコードとネットワークの重み付けを全て提供し、結果の再現を容易にする。

関連論文リスト

• MultiCamCows2024 -- A Multi-view Image Dataset for AI-driven Holstein-Friesian Cattle Re-Identification on a Working Farm [2.9391768712283772]
  複数のカメラで撮影されたMultiCamCows2024は、ホルシュタイン・フリース種牛の生体認証のための大規模画像データセットである。 データセットは90頭の牛の101,329枚の画像と、基盤となるCCTVの映像で構成されている。 本研究の枠組みは, トラッカーレットの完全自動識別を可能にすることを示し, トラッカーレットの完全性の簡易な検証のみを禁止している。
  論文  参考訳（メタデータ） (2024-10-16T15:58:47Z)
• GaitFormer: Learning Gait Representations with Noisy Multi-Task Learning [4.831663144935878]
  本稿では,217Kの匿名トラックレットを含む歩行分析システムのための最大データセットであるDenseGaitを提案する。 また、CASIA-Bで92.5%、FVGで85.33%の精度を実現するトランスフォーマーベースのモデルであるGaitFormerを提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:28:44Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• Gait-based Human Identification through Minimum Gait-phases and Sensors [0.45857634932098795]
  本稿では,異なる歩行位相の時間的および記述的統計パラメータを特徴とする歩行識別手法を提案する。 歩行サイクル全体の1つのフェーズを1つのセンサーで監視することで、95.5%以上の高い精度を達成することができる。 また,歩行周期全体を骨盤と足のセンサで監視すると,100%の識別精度が得られた。
  論文  参考訳（メタデータ） (2021-10-15T02:09:45Z)
• Towards Self-Supervision for Video Identification of Individual Holstein-Friesian Cattle: The Cows2021 Dataset [10.698921107213554]
  我々は最大のアイデンティティアノテートホルスタインフリースアン牛データセットCows2021を公開します。 動物同一性学習のための自己超越信号として,ビデオ間の時間的コートパターンの出現を活用することを提案する。 その結果、top-1 57.0% と top-4: 76.9% と調整された rand 指数 0.53 の精度を示した。
  論文  参考訳（メタデータ） (2021-05-05T09:08:19Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)
• Visual Identification of Individual Holstein-Friesian Cattle via Deep Metric Learning [8.784100314325395]
  ホルシュタイン・フリーズ産の牛は、チューリングの反応拡散系から生じたものと類似した、個々の特性の白黒のコートパターンを視覚的に示す。 この研究は、畳み込みニューラルネットワークとディープメトリック学習技術を介して、個々のホルシュタイン・フリース人の視覚的検出と生体認証を自動化するために、これらの自然なマーキングを利用する。
  論文  参考訳（メタデータ） (2020-06-16T14:41:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。