Fugu-MT 論文翻訳(概要): Universal Bovine Identification via Depth Data and Deep Metric Learning

論文の概要: Universal Bovine Identification via Depth Data and Deep Metric Learning

arxiv url: http://arxiv.org/abs/2404.00172v1
Date: Fri, 29 Mar 2024 22:03:53 GMT
ステータス: 処理完了
システム内更新日: 2024-04-04 06:56:43.488691
Title: Universal Bovine Identification via Depth Data and Deep Metric Learning
Title（参考訳）: 深度データと深度学習によるウシの普遍的識別
Authors: Asheesh Sharma, Lucy Randewich, William Andrew, Sion Hannuna, Neill Campbell, Siobhan Mullan, Andrew W. Dowsey, Melvyn Smith, Mark Hansen, Tilo Burghardt,
Abstract要約: 本稿では,個別の牛を正確に識別する深度のみの深度学習システムを提案する。群れの大きさの増大は、農場における牛と人間の比率を歪め、個人を手動で監視することがより困難になる。そこで本研究では,市販の3Dカメラの深度データを用いた牛の識別のための深度学習手法を提案する。
参考スコア（独自算出の注目度）: 1.6605913858547239
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper proposes and evaluates, for the first time, a top-down (dorsal view), depth-only deep learning system for accurately identifying individual cattle and provides associated code, datasets, and training weights for immediate reproducibility. An increase in herd size skews the cow-to-human ratio at the farm and makes the manual monitoring of individuals more challenging. Therefore, real-time cattle identification is essential for the farms and a crucial step towards precision livestock farming. Underpinned by our previous work, this paper introduces a deep-metric learning method for cattle identification using depth data from an off-the-shelf 3D camera. The method relies on CNN and MLP backbones that learn well-generalised embedding spaces from the body shape to differentiate individuals -- requiring neither species-specific coat patterns nor close-up muzzle prints for operation. The network embeddings are clustered using a simple algorithm such as $k$-NN for highly accurate identification, thus eliminating the need to retrain the network for enrolling new individuals. We evaluate two backbone architectures, ResNet, as previously used to identify Holstein Friesians using RGB images, and PointNet, which is specialised to operate on 3D point clouds. We also present CowDepth2023, a new dataset containing 21,490 synchronised colour-depth image pairs of 99 cows, to evaluate the backbones. Both ResNet and PointNet architectures, which consume depth maps and point clouds, respectively, led to high accuracy that is on par with the coat pattern-based backbone.
Abstract（参考訳）: 本稿では,まず,個別の牛を正確に識別し,関連するコード,データセット,訓練重量を即時再現性のために提供するための,トップダウン(寮ビュー),深度のみの深層学習システムを提案し,評価する。群れの大きさの増大は、農場における牛と人間の比率を歪め、個人を手動で監視することがより困難になる。そのため、家畜のリアルタイム識別は農業にとって不可欠であり、畜産の精密化に向けた重要なステップである。そこで本研究では,市販の3Dカメラの深度データを用いた牛の識別のための深度学習手法を提案する。この方法はCNNやMLPのバックボーンに頼り、体型から広く一般化した埋め込み空間を学習して個人を区別する。ネットワーク埋め込みは、高度に正確な識別のために$k$-NNのような単純なアルゴリズムを使ってクラスタ化され、新しい個人を登録するためにネットワークを再トレーニングする必要がなくなる。 RGB画像を用いてホルスタイン・フリーズを識別するために使用したResNetと、3Dポイント・クラウド上での運用に特化したPointNetの2つのバックボーン・アーキテクチャを評価した。 CowDepth2023は、99頭の牛の同期色深度画像ペア21,490枚からなる新しいデータセットで、背骨の評価を行う。ディープマップとポイントクラウドをそれぞれ消費するResNetアーキテクチャとPointNetアーキテクチャの両方が、コートパターンベースのバックボーンと同等の精度を実現している。

関連論文リスト

Learning 3D Human Pose Estimation from Dozens of Datasets using a Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
論文参考訳（メタデータ） (2022-12-29T22:22:49Z)
GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2022-10-19T17:56:03Z)
Towards Individual Grevy's Zebra Identification via Deep 3D Fitting and Metric Learning [2.004276260443012]
本稿では,1つのパイプラインにおける種検出,3次元モデルフィッティング,およびメートル法学習の深層学習技術を組み合わせて,個体識別を行う。 SMALSTデータセットの小さな研究で、3Dモデルフィッティングの使用は確かに性能に有益であることを示す。 3D装着モデルのバックプロジェクションテクスチャは、2Dバウンディングボックスアプローチと比較して識別精度を48.0%から56.8%に改善した。
論文参考訳（メタデータ） (2022-06-05T20:44:54Z)
360 Depth Estimation in the Wild -- The Depth360 Dataset and the SegFuse Network [35.03201732370496]
全方位画像からの一視点深度推定は、自律運転やシーン再構築といった幅広い応用で人気を博している。本研究ではまず,トレーニングデータ問題に対処するため,Depth360と呼ばれるさまざまな設定の大規模データセットを構築した。次に、人間の眼を模倣してデータセットから効果的に学習する、エンドツーエンドのマルチタスク学習ネットワークであるSegFuseを提案する。
論文参考訳（メタデータ） (2022-02-16T11:56:31Z)
Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
論文参考訳（メタデータ） (2021-11-16T08:01:16Z)
Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文参考訳（メタデータ） (2021-04-16T15:16:09Z)
Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
論文参考訳（メタデータ） (2021-03-30T21:22:26Z)
PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
論文参考訳（メタデータ） (2021-03-12T15:54:46Z)
Learning a Geometric Representation for Data-Efficient Depth Estimation via Gradient Field and Contrastive Loss [29.798579906253696]
本研究では、コンブネットがラベルのない画像で幾何学的情報を抽出するのを支援するために、運動量差の少ない勾配に基づく自己教師付き学習アルゴリズムを提案する。提案手法は,従来の自己教師付き学習アルゴリズムよりも優れ,ラベル付きデータの効率を3倍に向上させる。
論文参考訳（メタデータ） (2020-11-06T06:47:19Z)
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。