Applications of deep learning in visual recognition

Résumé

La recherche sur le bien-être animal a soulevé des inquiétudes concernant l’intensification du logement des animaux de ferme des systèmes qui offrent des possibilités de mouvement limitées. Cependant, aucun système automatisé actuellement disponible le logiciel de suivi est capable de suivre efficacement et avec précision les mouvements des vaches laitières dans les stalles les systèmes de logement. L’application de modèles d’apprentissage en profondeur au suivi de localisation offre une opportunité pour une mesure précise et opportune du mouvement des vaches dans l’environnement du logement. La L’objectif de cette étude était de développer et de valider un outil de géolocalisation pour surveiller la mouvement des vaches laitières dans leurs stabulations entravées à l’aide d’une approche d’apprentissage en profondeur. Vingt-quatre en lactation Les vaches Holstein ont été enregistrées sur vidéo pendant une période continue de 24 heures les semaines 1, 2, 3, 6, 8 et 10. Des images individuelles montrant la position en stalle de chaque vache ont été extraites de chaque 24-h enregistrement à raison d’une image par minute. Trois coordonnées sur chaque vache ont été manuellement annoté sur les séquences d’images pour suivre l’emplacement de la hanche gauche, de la hanche droite et du cou. L’ensemble de données final utilisé pour valider l’approche d’apprentissage en profondeur consistait en 199 100 Images rouge-vert-bleu avec annotations manuelles des coordonnées. Le jeu de données a été séparé en ensembles de formation et de validation. Des variantes des modèles d’apprentissage en profondeur suivants ont été testées : VGG Net, Resnet, GoogLeNet et DenseNet. Les performances du modèle ont été exprimées en termes de pixels erreur pour chaque coordonnée annotée à partir de l’ensemble d’images de validation. L’erreur de pixel a été convertie en mesure standard en cm en utilisant le rapport pix/cm moyen pour chaque vache chaque semaine. ResNet18 avec des étiquettes augmentées ont nettement surpassé tous les autres modèles testés. Pour la validation ensemble d’images, l’erreur moyenne des 3 coordonnées équivalait à une erreur de 0,74 cm dans la valeur réelle placement physique des coordonnées dans l’environnement de décrochage. Sur la base de ce haut degré de précision, le modèle peut être utilisé pour analyser les modèles d’activité de vaches individuelles pour optimisation des espaces de stalle et amélioration de la facilité de circulation. L’imagerie radar à synthèse d’ouverture (SAR) capture les propriétés physiques de la Terre en transmettre des signaux micro-ondes à sa surface et analyser le signal rétrodiffusé. Cela fait ne dépend pas de la lumière du soleil et peut donc être obtenu dans n’importe quelle condition, comme la nuit et temps nuageux. Cependant, les images SAR sont plus bruyantes que les images lumineuses et jusqu’à présent, il n’est pas clair que niveau de performance qu’un système de reconnaissance moderne pourrait atteindre. Ce travail présente une analyse des performances des modèles d’apprentissage en profondeur pour la tâche de segmentation des terres à l’aide de SAR images. Nous présentons des résultats de segmentation sur la tâche de classer quatre catégories de terres différentes (urbain, eau, végétation et ferme) sur six sites canadiens (Montréal, Ottawa, Québec, Saskatoon, Toronto et Vancouver), avec trois modèles de segmentation d’apprentissage en profondeur à la fine pointe de la technologie. Résultats montrent que lorsque suffisamment de données et de variété sur l’apparence du terrain sont disponibles, l’apprentissage en profondeur Les modèles peuvent atteindre d’excellentes performances malgré le bruit d’entrée élevé.

Date	22 mars 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Patrick Cardinal (Directeur(-trice)), Marco Pedersoli (Codirecteur(-trice)) & Elsa Vasseur (Codirecteur(-trice))