論文の概要: Cross-Species Transfer Learning in Agricultural AI: Evaluating ZebraPose Adaptation for Dairy Cattle Pose Estimation

• arxiv url: http://arxiv.org/abs/2510.22618v1
• Date: Sun, 26 Oct 2025 10:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.977093
• Title: Cross-Species Transfer Learning in Agricultural AI: Evaluating ZebraPose Adaptation for Dairy Cattle Pose Estimation
• Title（参考訳）: 農業AIにおける異種間移動学習 : 乳牛ポス推定のためのゼブラポース適応の評価
• Authors: Mackenzie Tapp, Sibi Chakravarthy Parivendan, Kashfia Sailunaz, Suresh Neethirajan,
• Abstract要約: 本研究は,異種間移動学習の可能性と限界を評価する。 本研究では,シマウマの実環境下での乳牛の27キーポイント検出のために,人工ゼブラ画像に基づいて訓練された視覚トランスフォーマーモデルを適用した。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pose estimation serves as a cornerstone of computer vision for understanding animal posture, behavior, and welfare. Yet, agricultural applications remain constrained by the scarcity of large, annotated datasets for livestock, especially dairy cattle. This study evaluates the potential and limitations of cross-species transfer learning by adapting ZebraPose - a vision transformer-based model trained on synthetic zebra imagery - for 27-keypoint detection in dairy cows under real barn conditions. Using three configurations - a custom on-farm dataset (375 images, Sussex, New Brunswick, Canada), a subset of the APT-36K benchmark dataset, and their combination, we systematically assessed model accuracy and generalization across environments. While the combined model achieved promising performance (AP = 0.86, AR = 0.87, PCK 0.5 = 0.869) on in-distribution data, substantial generalization failures occurred when applied to unseen barns and cow populations. These findings expose the synthetic-to-real domain gap as a major obstacle to agricultural AI deployment and emphasize that morphological similarity between species is insufficient for cross-domain transfer. The study provides practical insights into dataset diversity, environmental variability, and computational constraints that influence real-world deployment of livestock monitoring systems. We conclude with a call for agriculture-first AI design, prioritizing farm-level realism, cross-environment robustness, and open benchmark datasets to advance trustworthy and scalable animal-centric technologies.
• Abstract（参考訳）: 姿勢推定は、動物の姿勢、行動、福祉を理解するためのコンピュータビジョンの基盤となる。 しかし、農業の応用は、家畜、特に乳牛の大規模な注釈付きデータセットの不足に制約されている。 本研究では, 人工ゼブラ画像を用いた視覚トランスフォーマーモデルであるZebraPoseを実野条件下での乳牛の27キーポイント検出に適用することにより, 異種間移動学習の可能性と限界を評価する。 3つの設定 – カスタムオンファームデータセット(375イメージ,サセックス,ニューブランズウィック,カナダ),APT-36Kベンチマークデータセットのサブセット,その組み合わせを使用して,モデル精度と環境全体の一般化を体系的に評価した。 組み合わせたモデルでは, 分布内データによる有望な性能(AP = 0.86, AR = 0.87, PCK 0.5 = 0.869)が得られたが, 未確認の納屋や牛の個体群に適用した場合に, かなりの一般化の失敗が生じた。 これらの結果から, 農業用AIの展開において, 合成ドメイン間ギャップが大きな障害となることが明らかとなり, クロスドメイン移動には種間の形態的類似性が不十分であることが示唆された。 この研究は、家畜モニタリングシステムの現実的な展開に影響を与えるデータセットの多様性、環境変動性、計算的制約に関する実践的な洞察を提供する。 我々は、農業第一のAI設計、農業レベルのリアリズムの優先順位付け、環境横断の堅牢性、そして信頼に値するスケーラブルな動物中心のテクノロジーを進化させるためのオープンなベンチマークデータセットで締めくくります。

関連論文リスト

• An Explainable AI based approach for Monitoring Animal Health [0.2749898166276853]
  牛の健康をモニタリングし、収穫を最適化することは、農場ですべての動物を追跡するのが困難であるため、乳製品農家が直面する重要な課題である。 本研究は、乳牛(牛)の活動と行動を説明する説明可能な機械学習(ML)手法に基づく、現代的なデータ駆動型農業の実践を紹介することを目的とする。
  論文  参考訳（メタデータ） (2025-08-13T21:40:35Z)
• Multimodal AI Systems for Enhanced Laying Hen Welfare Assessment and Productivity Optimization [0.0]
  養鶏の未来は、主観的で労働集約的な福祉チェックをデータ駆動のインテリジェントなモニタリングエコシステムに置き換えることに依存する。 伝統的な福祉評価は、人間の観察と単一センサーのデータによって制限されるが、現代の農場における鶏の福祉の複雑な多次元的な性質を完全には捉えられない。 この研究は、生産性と倫理的、科学に基づく動物ケアを一体化する、反応的、一助的モニタリングから、積極的な、精密な福祉システムへの移行の基礎を築いた。
  論文  参考訳（メタデータ） (2025-08-11T05:17:16Z)
• AI-Powered Cow Detection in Complex Farm Environments [7.956743113777889]
  既存の牛検出アルゴリズムは、現実世界の農業環境において課題に直面している。 本研究では、6つの環境から得られた多様な牛のデータセットを用いてこれらの課題に対処する。 YOLOv8-CBAM は YOLOv8 を2.3%向上させ、95.2% の精度で、mAP@0.5:0.95 の82.6%を達成した。
  論文  参考訳（メタデータ） (2025-01-03T19:54:38Z)
• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields [59.035813796601055]
  トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。 我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
  論文  参考訳（メタデータ） (2022-09-27T07:04:28Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
  Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。 我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-29T14:09:45Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。