牛鼻镜识别大升级！开放集拒生牛，增量注册免重训，准确率最高97.3%
Open-Set Cattle Muzzle Identification: A Leakage-Controlled Benchmark and Evaluation Protocol
📖 AI 总结
该研究将牛鼻纹识别从传统的封闭集问题重构为开放集、基于图库的身份识别任务，使系统能够拒绝未见过的个体并支持增量注册而无需重新训练模型。作者提出了一套防泄漏评估协议，包括身份不重叠的数据划分、逐折重训练、独立阈值校准、重复样本剔除及自举置信区间。实验对比了混合CNN-ViT度量学习模型与MegaDescriptor-L基础模型，在理想阈值下后者表现更优，检测识别率在目标误接受率10⁻¹至10⁻³范围内达99.3%至96.1%；但在实际可部署的阈值校准条件下，混合模型误接受率为1.03%，优于MegaDescriptor-L的2.44%。增量注册实验显示，仅用单张参考图像即可实现91%以上的Rank-1准确率，八张图像时提升至97.3%，且不损害既有图库性能。研究强调阈值校准、泄漏控制与嵌入质量对开放集识别可靠性的关键作用，为动物生物识别系统的实际部署提供了评估框架。
🔑 关键词速览
| Open-set identification | 开放集识别，指系统能够识别已知个体并拒绝未知个体，适用于动态环境。 |
| Leakage-controlled evaluation protocol | 泄漏控制评估协议，通过身份不相交分割等方法防止数据泄漏，确保评估的公平性。 |
| CNN-ViT hybrid model | 卷积神经网络与视觉Transformer的混合模型，结合局部特征提取和全局上下文建模。 |
| MegaDescriptor-L | 一种基础模型，用于生成高判别力的嵌入表示，提升识别性能。 |
| Threshold calibration | 阈值校准，调整决策阈值以平衡误接受率和误拒绝率，确保实际部署中的可靠性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅