論文の概要: A multi-head deep fusion model for recognition of cattle foraging events using sound and movement signals

• arxiv url: http://arxiv.org/abs/2505.10198v1
• Date: Thu, 15 May 2025 11:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.301624
• Title: A multi-head deep fusion model for recognition of cattle foraging events using sound and movement signals
• Title（参考訳）: 音・運動信号を用いた牛の捕食事象認識のための多頭部深部融合モデル
• Authors: Mariano Ferrero, José Omar Chelotti, Luciano Sebastián Martinez-Rau, Leandro Vignolo, Martín Pires, Julio Ricardo Galli, Leonardo Luis Giovanini, Hugo Leonardo Rufiner,
• Abstract要約: この研究は、音響信号と慣性信号の融合に基づくディープニューラルネットワークを導入する。 このモデルの主な利点は、それぞれから独立して特徴の自動抽出による信号の組み合わせである。
• 参考スコア（独自算出の注目度）: 0.2450783418670958
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monitoring feeding behaviour is a relevant task for efficient herd management and the effective use of available resources in grazing cattle. The ability to automatically recognise animals' feeding activities through the identification of specific jaw movements allows for the improvement of diet formulation, as well as early detection of metabolic problems and symptoms of animal discomfort, among other benefits. The use of sensors to obtain signals for such monitoring has become popular in the last two decades. The most frequently employed sensors include accelerometers, microphones, and cameras, each with its own set of advantages and drawbacks. An unexplored aspect is the simultaneous use of multiple sensors with the aim of combining signals in order to enhance the precision of the estimations. In this direction, this work introduces a deep neural network based on the fusion of acoustic and inertial signals, composed of convolutional, recurrent, and dense layers. The main advantage of this model is the combination of signals through the automatic extraction of features independently from each of them. The model has emerged from an exploration and comparison of different neural network architectures proposed in this work, which carry out information fusion at different levels. Feature-level fusion has outperformed data and decision-level fusion by at least a 0.14 based on the F1-score metric. Moreover, a comparison with state-of-the-art machine learning methods is presented, including traditional and deep learning approaches. The proposed model yielded an F1-score value of 0.802, representing a 14% increase compared to previous methods. Finally, results from an ablation study and post-training quantization evaluation are also reported.
• Abstract（参考訳）: 給餌行動のモニタリングは、効率的な牧草管理と牧畜牛の資源の有効利用に関連する課題である。 特定の顎の動きを識別することで動物の摂食活動を自動的に認識する能力は、食事の定式化の改善や、代謝異常や動物の不快感の症状の早期発見などを可能にしている。 このような監視のための信号を得るためのセンサーの使用は、過去20年間に人気を博している。 最も頻繁に使用されるセンサーは加速度計、マイク、カメラで、それぞれ独自の利点と欠点がある。 探索されていない側面は、推定の精度を高めるために信号を組み合わせるために複数のセンサーを同時に使用することである。 この方向では、畳み込み層、再帰層、高密度層からなる音響信号と慣性信号の融合に基づくディープニューラルネットワークを導入する。 このモデルの主な利点は、それぞれから独立して特徴の自動抽出による信号の組み合わせである。 このモデルは、異なるレベルで情報融合を実行する、この研究で提案された異なるニューラルネットワークアーキテクチャの探索と比較から生まれた。 特徴レベルの融合は、F1スコアの計量に基づいて、少なくとも0.14倍のデータと決定レベルの融合よりも優れていた。 さらに,従来の機械学習手法や深層学習手法など,最先端の機械学習手法との比較を行った。 提案モデルではF1スコア値は0.802であり,従来の手法に比べて14%増加した。 最後に、アブレーション研究と後学習量子化評価の結果についても報告する。

関連論文リスト

• Automated Detection of Epileptic Spikes and Seizures Incorporating a Novel Spatial Clustering Prior [4.432163893362497]
  センサの空間的位置に基づいて,まずMEGチャネルをクラスタリングするパラダイムを導入する。 次に、信号の空間的クラスタリングと時間的変化を統合するために、新しい畳み込み入力モジュールを設計する。 提案手法は,2つの中心から収集した大規模実世界のMEGデータセットであるSanbo-CMRのF1スコア94.73%を達成し,最先端のアプローチを1.85%上回った。
  論文  参考訳（メタデータ） (2025-01-05T02:06:13Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Transformer-based Self-supervised Multimodal Representation Learning for Wearable Emotion Recognition [2.4364387374267427]
  ウェアラブル感情認識のための新しい自己教師型学習(SSL)フレームワークを提案する。 本手法は様々な感情分類タスクにおいて最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-03-29T19:45:55Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Multi-modal Sensor Data Fusion for In-situ Classification of Animal Behavior Using Accelerometry and GNSS Data [16.47484520898938]
  動物行動の分類には,複数のセンシングモード,すなわち加速度計とグローバルナビゲーション衛星システム(GNSS)のデータを用いて検討する。 スマート牛首輪と耳札を用いて収集した実世界の2つのデータセットを用いたマルチモーダル動物行動分類アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-24T04:54:03Z)
• Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
  本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。 本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
  論文  参考訳（メタデータ） (2022-05-16T09:34:43Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Deep Learning-based Cattle Activity Classification Using Joint Time-frequency Data Representation [2.472770436480857]
  本稿では,牛の行動・行動の分類と行動モデルの構築にシーケンシャルディープニューラルネットワークを用いた。 本研究の主な焦点は,センサデータの同時時間周波数領域表現の探索である。 3軸加速度計、磁力計、ジャイロスコープのセンサーから収集された300万以上のサンプルからなる実世界のデータセットに基づいています。
  論文  参考訳（メタデータ） (2020-11-06T14:24:55Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。