对牲畜行为的跟踪有助于在现代动物饲养场及早发现并预防传染病。除了经济收益，这将减少畜牧业中使用的抗生素数量，否则这些抗生素将进入人类的饮食，加剧抗生素耐药性的流行，这是导致死亡的主要原因。我们可以使用大多数现代农场都有的标准摄像机来监控牲畜。然而，大多数计算机视觉算法在这项任务中表现不佳，主要原因是:(i)农场饲养的动物看起来相同，缺乏任何明显的空间特征，(ii)现有的跟踪器都不能长时间保持健壮，(iii)现实世界的条件，如光照变化、频繁遮挡、摄像机角度变化，动物的大小使得模型难以一般化。鉴于这些挑战，我们开发了一个端到端行为监控系统，用于群养猪同时执行实例级别分割、跟踪、动作识别和再识别(STAR)任务。我们提出了STARFORMER，这是第一个端到端多对象牲畜监控框架，通过使用变压器架构学习分组猪的实例级嵌入。为了进行基准测试，我们提出了PIGTRACE数据集，该数据集由视频序列和实例级边界框组成，对真实室内养殖环境中的猪进行分割、跟踪和活动分类。通过对STAR任务进行同步优化，我们发现STARFORMER优于针对单个任务训练的流行基线模型。
贡献
- 大概是第一个使用Transformer提供一个单一的健壮的行为分析模型执行STAR任务，即分割（segmentation）、跟踪（tracking）、动作识别（action recognition）和再识别（re-identifification）。这种统一模型的优点是，多个任务的学习过程在构建图像/视频的鲁棒性和可泛化的低层次表示方面相互积极影响，从而减少了误差，其程度超过了单个任务的训练所能达到的程度。
- 提出了PIGTRACE，一个包含多个猪的30个视频的数据集，用于基准测试封闭环境下多目标跟踪和动作识别算法的性能。
PIGTRACE
来自真实动物农场的视频，以及详细的实例级遮罩和动作注释。该数据集中共有540帧。该数据集还包括所有注释，包括每只猪的Mask、视频中与每只猪关联的唯一ID以及猪猪正在执行的动作的标签。
- 来自欧洲五个不同农场的大约30个视频序列组成，每个视频大约5秒长，包括吃，喝，躺，站立和行走这些典型行为的视频。
- 有7个视频以每秒6帧(FPS)的速度进行标注，每个视频有30帧的标注（5×6=30）
- 另外23个视频以每秒3帧的速度进行标注，每个视频有15帧的标注（5×3=15）
- 提供代码，以方便在自定义模型上使用该数据集，以及用于评估指标的api。
?图中每一行对应一个来自不同场区的视频，每一列对应连续的注释帧。动物身上的数字是它们唯一的身份标识
颜色代表猪的行为:
- 绿色:吃
- 蓝色:喝
- 红色:攻击
- 橙色:行走/站立
- 黑色:不活跃
STARFORMER
STARFORMER是一种基于DETR扩展的多任务Transformer模型，用于对牲畜进行分割、跟踪、动作识别和再识别(STAR)
DETR引入了对象查询（object queries）的概念——使用固定数量的object queries作为可学习的positional embeddings，可以将这些embeddings提取为图像中可能的对象实例的表示。
基于此，STARFORMER扩展了DETR，使用固定数量的object queries作为可学习的individual embeddings，使其通过STAR多任务学习更能识别一个实例。
(STC)。
上图表示了STARFORMER的架构，一个ResNet-101主干网络，后跟一个包含6个编码器-解码器层的标准Transformer，具有固定大小的位置编码(object queries)。基于对猪数量的先验知识，Transformer模块产生N个潜在编码，每个对应一个单独的猪。STARFORMER的关键思想是通过设计四个头来改善嵌入，每个头优化STAR任务的一个损失函数。
行为损失：?二元交叉熵损失，将每头猪分为两类，即活跃(站立)或不活跃(坐着)
实验
- 使用ResNet-101 dedr模型在COCO数据集上预训练作为骨干。
- 在280个与PIGTRACE同格式的视频上训练STARFORMER。
- 在训练过程中，通过解冻结编码器和解码器并学习新的object queries来重新训练。
- 所有实验都在8个V100 GPU上运行。
- 在一个由84个视频组成的验证集上评估STARFORMER在4个STAR任务上的性能。
- 在PIGTRACE上测试。
基线与评价指标
分割：比较MaskR-CNN和DETR，其解码器和object queries是使用我们的训练数据集微调。注意，在评估STARFORMER和DETR时，我们将预测的数量（DETR是100）固定为该视频中猪的数量。这在畜牧业环境中可能是有益的，因为封闭环境中的动物数量在视频过程中将保持固定。这就限制了模型不允许过多或过少地预测嵌入的数量。我们报告了不同IoU阈值上的平均精度(mAP)，从0.5到0.95(写成0.5:0.95)，以及在0.5阈值上的平均精度(mAP)。
跟踪：利用分割模型得到的分割掩码进行时间匹配，实现多目标跟踪。猪的数量在整个视频中保持不变，我们利用这个约束条件，将预测的数量固定为视频中已知的猪的数量N。对于每个视频，我们只考虑所有对象查询中的前N个预测。同时还可以得到猪数量的初步估计。为了更好地分析跟踪模块的性能，我们使用了两种不同的匹配算法，并比较了每种算法的性能。以下是对它们的简要描述。
- Mask匹配：使用猪的分割掩码计算猪之间的相似度。
- Embedding匹配：使用余弦距离度量猪所对应的Embedding计算相似度。对于每只匹配的猪，欧氏空间中的距离应该小于R。
我们提出了约束多目标跟踪和分割精度(cMOTSA)作为评价有约束跟踪问题的指标。由于在整个视频中牲畜的固定计数的限制，将不会有假阴性(FN)，因为现在在ground-truths和从prediction获得的各自实例之间存在1-1映射。我们希望这个评估指标能够准确地评估STARFORMER在学习每个猪实例的独特表示方面的能力。它被定义为真阳性TP(掩码IoU大于0.5的匹配实例对)与所有阳性预测(|TP| + |FP|)的比率。假阳性(FP)是掩码IoU小于或等于0.5的实例对。此外，我们还使用scMOTSA来评估跟踪性能，scMOTSA是cMOTSA的一个软变体，定义为scMOTSA = ，其中
表示软真阳性。
行为：与经过专门训练的ResNet-101激励模型(Ac-ResNet)进行比较来评估，该模型将每头猪分为两类——不活动(坐着)或活动(站着)。以AUC-ROC曲线下面积作为评价指标。
再识别：使用累积匹配特征(CMC)评分来比较STARFORMER和DETR之间的再识别。CMC-k，度，表示在排名前k的检索结果中出现正确匹配的概率。在我们的例子中，排名是通过计算不同帧猪之间的Embedding距离来完成的。如果前k个值中出现正确匹配，CMC top-k精度为1，否则为0。我们绘制了离散帧间间隔的CMC top-k精度，即进行重新识别的两帧之间的时间间隔。
结果
对于分割任务，除了下表所示以外，使用Swin - transformer骨干重新训练了STARFORMER，在PIGTRACE数据集上获得了0.76 mAP的结果。
为了进一步理解拥有多个任务头的影响，我们还分析了从最初的STARFORMER模型中移除多个任务头中的一个的几个情况。
去除STC损失的头部，对分割性能没有不利影响，但跟踪性能降低约1%。分割不会有任何变化，因为在我们的例子中，STC损失主要关注的是时序信息，而分割在每一帧中处理彼此独立的对象。类似地，当移除动作分类损失时，跟踪性能将受到显著影响。
对于再识别任务DETR和STARFORMER在CMC-k上表现相当。然而，大的k值并不适合实际用途，在较低的k值下的性能更重要。对于较低的值，我们可以看到，对于所有帧间间隔的选择，DETR的性能都会显著下降。相反，当k值较低时，STARFORMER更稳定，下降很小。这意味着，对于长期跟踪，STARFORMER有望更可靠。
