Točna re-identifikacija individualnih krava je ključna za efektivno upravljanje stadom u preciznom stočarstvu. Međutim, ovaj je zadatak izazovan u stvarnim scenarijima zbog varijabilnosti izgleda krava i uvjeta okoline, kao i ograničenog broja referentnih slika dostupnih za re-identifikaciju. Ovaj rad bavi se problemom re-identifikacije krava u "open-set" i "few-shot" uvjetima, gdje sustav mora prepoznati prethodno neviđene jedinke s ograničenim označenim podacima. "Metric learning" je korišten za treniranje neuronske mreže za re-identifikaciju, a njezine performanse procijenjene su pomoću K-najbližih susjeda (KNN). Neuronska mreža primijenjena je na dva skupa podataka: OpenSetCows2020 i MultiCamCows2024 snimljenih na različitim farmama. Predložene su četiri varijante testiranja koje nalikuju različitim stvarnim situacijama: početno postavljanje, promjena štale, dodavanje novih krava i generalizacija između farmi. Predloženi framework izravno se bavi izazovima u stvarnom stočarstvu i omogućuje dublju analizu karakteristika i primjenjivosti metoda re-identifikacije iz praktične perspektive od postojećih metrika evaluacije.
****
Bošnjak, Andrej; Džijan, Matej; Nyarko, Emmanuel K.; Cupec, Robert
How Many Images Are Required to Recognize a Cow? //
Appl. Sci., 15 (2025), 17, 9809 doi:10.3390/app15179809
https://doi.org/10.3390/app15179809
****
