Key points are not available for this paper at this time.
يحسن التعرف على وجوه الأغنام المعتمد على التعلم العميق من كفاءة وفعالية التعرف على الأغنام الفردية ويقدم دعمًا تقنيًا لتطوير تربية الحيوانات الذكية. ومع ذلك، فإن التغيرات المتكررة داخل القطيع والتباينات في ملامح الوجه من زوايا مختلفة تؤثر بشكل كبير على التطبيق العملي للتعرف على وجوه الأغنام. في هذه الدراسة، اقترحنا Li-SheepFaceNet، وهو طريقة للتعرف على وجوه الأغنام المفتوحة في عرض متعدد. على وجه التحديد، استخدمنا كتلة Seesaw لبناء نموذج خفيف الوزن يسمى SheepFaceNet، والذي يحسن بشكل كبير من الأداء والكفاءة. لتعزيز التقارب والأداء في تعلم الميزات المضمنة منخفضة الأبعاد، استخدمنا Li-ArcFace كدالة خسارة. يحقق Li-SheepFaceNet دقة التعرف في مجموعة مفتوحة تبلغ 96.13% على مجموعة بيانات ذاتية البناء تحتوي على 3801 صورة وجه متعددة الزوايا لـ 212 من أغنام Ujumqin، متفوقًا على طرق التعرف الأخرى المفتوحة. لتقييم قوة وعمومية نهجنا، أجرينا اختبار الأداء على مجموعة بيانات متاحة للجمهور، حيث حققنا دقة تعرف تصل إلى 93.33%. يتيح نشر Li-SheepFaceNet في نظام للتعرف على وجوه الأغنام المفتوحة التعرف السريع والدقيق على الأغنام الفردية، مما يسرع من تطوير تربية الأغنام الذكية.
درس LI وزملاؤه (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: