キーポイント検出とMAP推定を用いた個体識別のための集団飼育家畜の長期追跡

Long-Term Tracking of Group-Housed Livestock Using Keypoint Detection and MAP Estimation for Individual Animal Identification.

• Eric T Psota
• Ty Schmidt
• Benny Mote
• Lance C Pérez

抄録

集団の中で個々の動物を追跡することは、コンピュータビジョンや動物科学の研究者にとって非常に困難な作業です。目的が数ヶ月に及ぶ継続的な追跡であり、対象となる動物の身体的特徴の違いが見分けがつかない場合、このタスクは大きな課題となります。このような課題に対処するために、確率的追跡による検出方法が提案されています。この追跡法では、完全畳み込み検出器によって与えられた個々の動物の目に見えるキーポイントを入力として使用します。また、個々の動物には耳タグが装着されており、この耳タグは分類ネットワークによってインスタンスに固有の識別を割り当てるために使用されます。ターゲットの固定カーディナリティを利用して連続的な追跡セットを作成し、フォワードバックワードアルゴリズムを使用して、検出された各インスタンスに耳タグ識別確率を割り当てます。トラッキングは、複雑でコストのかかるグラフベースの最適化に依存しないこともあり、コンシューマーグレードのハードウェア上でリアルタイムのパフォーマンスを実現しています。トラッキング性能を評価するために、一般に公開されている人間の注釈付きデータセットを導入しました。このデータセットには、様々な年齢/サイズ、施設環境、活動レベルを持つ豚の30分の15本の動画が含まれています。結果は、提案された方法がデータセット全体で平均精度と95%以上のリコールを達成していることを示しています。エラーイベントを分析すると、実世界での展開でエラーを引き起こす可能性が高い環境条件と社会的相互作用が明らかになりました。

Tracking individual animals in a group setting is a exigent task for computer vision and animal science researchers. When the objective is months of uninterrupted tracking and the targeted animals lack discernible differences in their physical characteristics, this task introduces significant challenges. To address these challenges, a probabilistic tracking-by-detection method is proposed. The tracking method uses, as input, visible keypoints of individual animals provided by a fully-convolutional detector. Individual animals are also equipped with ear tags that are used by a classification network to assign unique identification to instances. The fixed cardinality of the targets is leveraged to create a continuous set of tracks and the forward-backward algorithm is used to assign ear-tag identification probabilities to each detected instance. Tracking achieves real-time performance on consumer-grade hardware, in part because it does not rely on complex, costly, graph-based optimizations. A publicly available, human-annotated dataset is introduced to evaluate tracking performance. This dataset contains 15 half-hour long videos of pigs with various ages/sizes, facility environments, and activity levels. Results demonstrate that the proposed method achieves an average precision and recall greater than 95% across the entire dataset. Analysis of the error events reveals environmental conditions and social interactions that are most likely to cause errors in real-world deployments.