Точное земледелие и животноводство невозможны без современных технологий компьютерного зрения. Одна из ключевых задач — автоматическая сегментация животных на изображениях — до сих пор остается сложной проблемой из-за многочисленных помех: сложного фона, перекрытия животных друг другом и изменения их поз.
Исследователи из Frontiers in Veterinary Science представили MFDSU-Net — новую архитектуру нейронной сети, которая решает эти проблемы через совместную обработку семантической и геометрической информации.
Двойной подход к сложной задаче
Авторы разработали систему, состоящую из двух ключевых блоков. Multi-Scale Feature Aggregation Block (MFABlock) захватывает контекстную информацию на различных масштабах, что повышает устойчивость модели к сложным фонам и вариациям размеров животных. Параллельно Multi-scale Deformation Sampling Block (MDSBlock) адаптивно моделирует пространственные деформации, сохраняя точность границ даже при перекрытиях и различных позах скота.
Такой подход позволяет системе эффективно справляться с двумя основными проблемами: семантической неопределенностью, вызванной фоном, и геометрическими искажениями из-за окклюзий.
Впечатляющие результаты для практического применения
По данным авторов, MFDSU-Net достигает точности Dice 88,14% и IoU 81,38%, превосходя существующие модели примерно на 0,5% и 0,8% соответственно. Но главное преимущество — в практичности решения.
Исследователи особо подчеркивают компактность архитектуры: всего 0,7 миллиона параметров и 2,8 GFLOPs вычислительных операций. Это делает систему идеальной для развертывания на устройствах с ограниченными ресурсами — именно тех, что используются в реальных фермерских хозяйствах.
Такая эффективность открывает путь к реальному времени обработки видеопотока с камер наблюдения за скотом, что критически важно для современного точного животноводства. Система может автоматически отслеживать поведение животных, контролировать их здоровье и оптимизировать условия содержания без постоянного присутствия человека.