A lightweight domain-specific appearance embedding for Turkey re-identification in dense barn environments
Debayan Sen · Theo Lutz
提出轻量级火鸡重识别模型，提升密集圈舍中个体追踪精度并降低计算成本。
基于Siamese网络，结合预激活残差、SE注意力、BNNeck，用三元组和分类
模型参数仅714K，AUC从0.890升至0.943，IDF1提升至83.2%，优于通用模型。
可扩展至其他家禽或牲畜，验证大规模现场部署，并探索跨品种泛化能力。
针对火鸡重识别的轻量级专用模型，显著提升密集养殖环境下的个体追踪精度并降低算力需求，对精准畜牧有实质推进。
商业禽舍中对个体家禽的监测需要身份一致的跟踪，这依赖于能够区分视觉上同质动物的外观特征。DeepSORT等跟踪器中使用的通用外观模型基于行人重识别数据训练，难以有效迁移至牲畜场景，因为个体缺乏驱动行人重识别的独特服装和纹理线索。本研究提出了一种轻量级、面向特定领域的Siamese特征提取器，用于火鸡重识别，通过系统性的消融驱动优化流程设计，并采用批量硬三元组与身份分类联合目标进行训练。最终架构结合了预激活残差块、挤压激励通道注意力及BNNeck嵌入头，仅含71.4万参数——约为DeepSORT默认使用的280万参数mars-small128模型的3.9分之一。在包含16个未见火鸡身份的开放集评估中，所提出的嵌入将ROC AUC从0.890提升至0.943，分类准确率从0.849提升至0.911，分布可分性指数从1.14提升至1.71，同时模型存储量减少3.8倍，推理延迟相对基线降低。学习空间的t-SNE投影显示，大多数身份形成紧密且分离良好的簇，残余重叠仅限于视觉上最相似的个体。当集成至DeepSORT跟踪流程并在三段商业火鸡禽舍视频序列上评估时，该领域特定嵌入在身份相关跟踪指标上取得一致提升（IDF1从81.3%提升至83.2%，关联准确率从68.8%提升至69.9%）。结果表明，精细的领域特定架构设计能显著改善视觉同质动物的重识别性能，同时降低计算成本。在本受控评估范围内，该紧凑嵌入非常适合资源受限的边缘硬件，用于持续精准畜牧业监测；大规模现场验证仍为未来工作方向。