論文の概要: Evaluating transfer learning strategies for improving dairy cattle body weight prediction in small farms using depth-image and point-cloud data
- arxiv url: http://arxiv.org/abs/2601.01044v1
- Date: Sat, 03 Jan 2026 02:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:21.964916
- Title: Evaluating transfer learning strategies for improving dairy cattle body weight prediction in small farms using depth-image and point-cloud data
- Title（参考訳）: 深度画像と点雲データを用いた小農場における乳牛体重予測のための移動学習戦略の評価
- Authors: Jin Wang, Angelo De Castro, Yuxi Zhang, Lucas Basolli Borsatto, Yuechen Guo, Victoria Bastos Primo, Ana Beatriz Montevecchio Bernardino, Gota Morota, Ricardo C Chebel, Haipeng Yu,
- Abstract要約: 本研究の目的は,移動学習が限られたデータしか持たない小農場における体重予測を促進させるかどうかを評価することである。
深度画像のConvNeXtとMobileViT、ポイントクラウドのPointNetとDGCNNの4つのディープラーニングモデルが評価された。
その結果,プレトレーニングされた表現は,画像条件の異なる農場や乳牛の個体群でよく一般化していることが明らかとなった。
- 参考スコア（独自算出の注目度）: 2.9716917288738283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer vision provides automated, non-invasive, and scalable tools for monitoring dairy cattle, thereby supporting management, health assessment, and phenotypic data collection. Although transfer learning is commonly used for predicting body weight from images, its effectiveness and optimal fine-tuning strategies remain poorly understood in livestock applications, particularly beyond the use of pretrained ImageNet or COCO weights. In addition, while both depth images and three-dimensional point-cloud data have been explored for body weight prediction, direct comparisons of these two modalities in dairy cattle are limited. Therefore, the objectives of this study were to 1) evaluate whether transfer learning from a large farm enhances body weight prediction on a small farm with limited data, and 2) compare the predictive performance of depth-image- and point-cloud-based approaches under three experimental designs. Top-view depth images and point-cloud data were collected from 1,201, 215, and 58 cows at large, medium, and small dairy farms, respectively. Four deep learning models were evaluated: ConvNeXt and MobileViT for depth images, and PointNet and DGCNN for point clouds. Transfer learning markedly improved body weight prediction on the small farm across all four models, outperforming single-source learning and achieving gains comparable to or greater than joint learning. These results indicate that pretrained representations generalize well across farms with differing imaging conditions and dairy cattle populations. No consistent performance difference was observed between depth-image- and point-cloud-based models. Overall, these findings suggest that transfer learning is well suited for small farm prediction scenarios where cross-farm data sharing is limited by privacy, logistical, or policy constraints, as it requires access only to pretrained model weights rather than raw data.
- Abstract（参考訳）: コンピュータビジョンは、乳牛をモニタリングする自動化された、非侵襲的でスケーラブルなツールを提供し、それによって管理、健康評価、表現型データ収集をサポートする。
移動学習は画像から体重を予測するのに一般的に用いられているが、その効果と最適微調整戦略は家畜の用途、特に事前訓練されたイメージネットやCOCOの重量以外の分野ではよく理解されていない。
また, 乳牛の体重予測には深度画像と3次元点雲データの両方が研究されているが, 乳牛の2つの形態の直接比較は限られている。
そのため,本研究の目的は,その目的であった。
1)大農場からの転入学習が限られたデータで小農場の体重予測を高めるか否かを評価する。
2)3つの実験条件下での深度画像と点雲に基づくアプローチの予測性能の比較を行った。
1,201頭,215頭,58頭,大牧場,中牧場,小牧場からトップビュー深度画像とポイントクラウドデータを収集した。
深度画像のConvNeXtとMobileViT、ポイントクラウドのPointNetとDGCNNの4つのディープラーニングモデルが評価された。
トランスファーラーニングは、4つのモデルすべてで小さな農場での体重予測を大幅に改善し、シングルソースラーニングを上回り、ジョイントラーニングに匹敵するかそれ以上のゲインを達成した。
以上の結果から,プレトレーニングされた表現は,画像条件の異なる農場や乳牛の個体群でよく普及していることが明らかとなった。
深度画像モデルとポイントクラウドモデルの間に一貫した性能差はみられなかった。
全体としては、トランスファーラーニングは、生データではなく事前訓練されたモデルウェイトにのみアクセスする必要があるため、クロスファームデータ共有がプライバシ、ロジカル、ポリシー制約によって制限される小さな農場予測シナリオに適していることが示唆されている。
関連論文リスト
- Investigating the Impact of Large-Scale Pre-training on Nutritional Content Estimation from 2D Images [0.0699049312989311]
画像から食物の栄養含量を推定することは、健康と食事のモニタリングに重要な意味を持つ重要な課題である。
本稿では,2次元画像のみを用いた栄養推定のためのディープラーニングモデルの性能に及ぼす大規模事前学習データセットの影響について検討する。
論文 参考訳（メタデータ） (2025-08-06T00:57:55Z) - Active learning for efficient annotation in precision agriculture: a use-case on crop-weed semantic segmentation [0.0]
アクティブラーニングは、大きな未ラベルプールから最も情報性の高い画像の識別と選択を容易にする。
アクティブな学習は、Cityscapesのようなベンチマークデータセットで有望な結果を示しているが、農業領域におけるパフォーマンスは、まだ明らかにされていない。
本研究は,3つの能動的学習に基づく獲得関数の比較研究を行うことにより,この研究ギャップに対処する。
論文 参考訳（メタデータ） (2024-04-03T08:55:44Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - MoCo-Transfer: Investigating out-of-distribution contrastive learning
for limited-data domains [52.612507614610244]
我々は、モーメントコントラスト(MoCo)プレトレーニングからデータ制限のある設定への自己教師付きコントラスト表現の転送の利点を分析する。
ラベル付きおよびラベルなしデータの量によっては、より大きなアウト・オブ・ディストリビューションデータセットでの対照的な事前トレーニングは、ドメイン内でのMoCoの事前トレーニングよりも、ほぼ同等か、あるいはそれ以上のパフォーマンスが期待できる。
論文 参考訳（メタデータ） (2023-11-15T21:56:47Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳（メタデータ） (2023-09-14T13:29:41Z) - On the Connection between Pre-training Data Diversity and Fine-tuning
Robustness [66.30369048726145]
下流の有効ロバスト性に影響を与える主な要因はデータ量である。
各種自然および合成データソースから抽出した事前学習分布について,本研究の成果を示す。
論文 参考訳（メタデータ） (2023-07-24T05:36:19Z) - Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。
具体的には、Webで収集したCoyo-700Mデータセットを利用する。
我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
論文 参考訳（メタデータ） (2023-05-24T15:33:46Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - When Does Contrastive Visual Representation Learning Work? [13.247759411409936]
4つの大規模データセットの対比的自己監視学習について検討する。
i)500k画像を超える予備トレーニングデータの追加の利点は控えめであり、(ii)他のドメインからの予備トレーニング画像の追加は、より一般的な表現につながるものではなく、(iii)破損した予備トレーニング画像は、監督および自己監督の予備トレーニングに異なる影響を与えます。
論文 参考訳（メタデータ） (2021-05-12T17:52:42Z)
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。