基于遷移學(xué)習(xí)的并行卷積神經(jīng)網(wǎng)絡(luò)牦牛臉識別算法

陳爭濤，黃 燦，楊 波，趙 立，廖 勇

（1.四川省國有資產(chǎn)投資管理有限責(zé)任公司，成都 610031；2.四川省國投現(xiàn)代農(nóng)牧業(yè)產(chǎn)業(yè)有限公司，成都 610041；3.成都希盟泰克科技發(fā)展有限公司，成都 610041；4.重慶大學(xué)微電子與通信工程學(xué)院，重慶 400044）

（*通信作者電子郵箱liaoy@cqu.edu.cn）

0 引言

牦牛養(yǎng)殖可以帶動(dòng)高原地區(qū)的人們脫貧致富，但是現(xiàn)在的牦牛養(yǎng)殖仍處于傳統(tǒng)的模式，養(yǎng)殖效率低，牦牛管理不精準(zhǔn)。為了精確地對牦牛身份進(jìn)行識別，亟須建立一套智能化平臺輔助牦牛養(yǎng)殖和管理，因此智能化平臺需要具有牦牛臉部識別功能，對牦牛進(jìn)行監(jiān)控。

近年來，隨著人工智能的快速發(fā)展，人工智能的一些關(guān)鍵技術(shù)被應(yīng)用于畜牧業(yè)。養(yǎng)殖場為了集中化管理，需要對牲畜的每個(gè)個(gè)體進(jìn)行記錄以及精確的識別。目前，牲畜身份識別的方法主要為射頻識別（Radio Frequency IDentification，RFID）［1］標(biāo)簽方案，這種侵入式的識別方案需要在動(dòng)物的耳朵上穿孔來佩戴無線射頻識別標(biāo)簽，容易引起動(dòng)物的不適，造成咬標(biāo)、掉標(biāo)的情況發(fā)生。人臉識別是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)［2］，通常采用非侵入式的方法進(jìn)行監(jiān)視和識別，與養(yǎng)殖企業(yè)的應(yīng)用場景非常相似［3］。當(dāng)前，國內(nèi)外已經(jīng)有一些研究人員將人臉識別的部分技術(shù)應(yīng)用到牦牛的行為識別［4］上，取得了一些不錯(cuò)的效果。但是，牦牛臉識別又具有其特殊性，牦牛群由于近親繁殖的原因使得個(gè)體間的相似度很高，同時(shí)，牦牛臉上的一些毛發(fā)也會掩蓋其面部特征，給牛臉識別造成了很大的困難。文獻(xiàn)［5］中采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)兩種深度學(xué)習(xí)網(wǎng)絡(luò)對牛個(gè)體進(jìn)行定位和識別，首先采用CNN 提取牛身體的特征，再使用LSTM 網(wǎng)絡(luò)對個(gè)體進(jìn)行識別，其仿真結(jié)果個(gè)體的識別率為87%；但是，該算法實(shí)施的前提是需要采集每頭牦牛的體尺信息來進(jìn)行識別，并且神經(jīng)網(wǎng)絡(luò)泛化能力低，工作繁瑣復(fù)雜，不適合實(shí)際的養(yǎng)殖場環(huán)境。文獻(xiàn)［6］中采用一種多通道局部二值模式直方圖進(jìn)行特征提取，然后使用支持向量機(jī)（Support Vector Machine，SVM）為主分類器對牛進(jìn)行識別，該算法基于傳統(tǒng)的圖像識別方式，需要對圖片進(jìn)行多次預(yù)處理，算法的復(fù)雜度高并且最后所能達(dá)到的個(gè)體識別的準(zhǔn)確度低，最高只有78%。文獻(xiàn)［7］中提出了一種雙線性卷積神經(jīng)網(wǎng)絡(luò)Bilinear-CNN，其在CUB200-2011數(shù)據(jù)集上可以獲得84.1%準(zhǔn)確度，該算法通過增加CNN 的層數(shù)來提高識別的準(zhǔn)確性，隨著網(wǎng)絡(luò)層數(shù)的增加提取到的數(shù)據(jù)特征也就越多，所以網(wǎng)絡(luò)的準(zhǔn)確度也獲得提升，但是網(wǎng)絡(luò)層數(shù)的增加會使得網(wǎng)絡(luò)在訓(xùn)練時(shí)出現(xiàn)梯度消失的現(xiàn)象，造成網(wǎng)絡(luò)訓(xùn)練時(shí)間變長。VGG（Visual Geometry Group）模型［8］是由牛津大學(xué)視覺幾何組參加ImageNet 挑戰(zhàn)賽提出的網(wǎng)絡(luò)，VGG 網(wǎng)絡(luò)使用多個(gè)小型卷積核平滑地?cái)U(kuò)充網(wǎng)絡(luò)的深度，使得該網(wǎng)絡(luò)可以學(xué)習(xí)更加復(fù)雜的模式而不會出現(xiàn)梯度消失的情況，由于卷積核的個(gè)數(shù)較多，VGG網(wǎng)絡(luò)的運(yùn)算復(fù)雜度也會急劇上升，在網(wǎng)絡(luò)訓(xùn)練尋找權(quán)重的過程中需要花費(fèi)大量的時(shí)間。在實(shí)際的應(yīng)用中，牦牛臉部數(shù)據(jù)特征多、網(wǎng)絡(luò)訓(xùn)練速度很慢，針對這類情況，遷移學(xué)習(xí)是一種較好的解決方法。遷移學(xué)習(xí)［9］是一種基于源數(shù)據(jù)和目標(biāo)數(shù)據(jù)、源任務(wù)和目標(biāo)任務(wù)之間相似性的機(jī)器學(xué)習(xí)方法，它使用在源數(shù)據(jù)領(lǐng)域中學(xué)習(xí)到的知識來解決目標(biāo)數(shù)據(jù)領(lǐng)域中的任務(wù)，可以有效降低網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

牦牛臉識別具有臉部毛發(fā)多、數(shù)據(jù)特征多且復(fù)雜的特點(diǎn)，若采用傳統(tǒng)的CNN 進(jìn)行牦牛臉識別，神經(jīng)網(wǎng)絡(luò)的算法復(fù)雜度高，網(wǎng)絡(luò)在訓(xùn)練時(shí)需要對多種特征進(jìn)行處理，訓(xùn)練時(shí)間大大加長。因此本文采用遷移學(xué)習(xí)的方法，在VGG16 網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合并行CNN 對牦牛臉進(jìn)行識別，降低網(wǎng)絡(luò)的訓(xùn)練時(shí)間。使用VGG16 網(wǎng)絡(luò)是為了利用現(xiàn)有網(wǎng)絡(luò)的權(quán)重達(dá)到遷移學(xué)習(xí)的目的減少訓(xùn)練過程中的耗時(shí)，接著使用CNN 對特征進(jìn)行處理。所提算法的具體步驟如下：首先使用現(xiàn)有的VGG16 網(wǎng)絡(luò)結(jié)構(gòu)對牦牛臉數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，初步提取牦牛臉特征信息；接著使用并行的CNN 對牦牛臉特征進(jìn)行二次提取；最后對提取的特征分類進(jìn)行牦牛個(gè)體識別。本文算法在傳統(tǒng)CNN 無法處理牦牛臉部大量數(shù)據(jù)特征的情況下引入遷移學(xué)習(xí)降低網(wǎng)絡(luò)的訓(xùn)練時(shí)間，同時(shí)在牦牛臉識別上達(dá)到較好的精度。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的網(wǎng)絡(luò)的識別準(zhǔn)確率可以達(dá)到91.2%。

1 數(shù)據(jù)集的獲取和處理

1.1 采集數(shù)據(jù)

在養(yǎng)殖的牧區(qū)采集300 頭牦牛的臉部數(shù)據(jù)用于實(shí)驗(yàn)，包括成年牦牛和牦牛崽，兩者的數(shù)量大致相同。為每一頭牦牛拍攝三段視頻，分別用于網(wǎng)絡(luò)模型的訓(xùn)練、驗(yàn)證和測試，其中訓(xùn)練視頻的時(shí)長為2 min，驗(yàn)證和測試視頻的時(shí)長都為1 min，視頻的分辨率為1 080P，每秒30 幀。拍攝視頻的角度以及光照的強(qiáng)度會對網(wǎng)絡(luò)的泛化能力造成影響，所以視頻的拍攝分為正午和傍晚兩個(gè)時(shí)間段完成，并且拍攝的角度不固定。將拍攝的牦牛視頻按幀提取圖像，分類保存。實(shí)驗(yàn)過程中使用的牦牛臉部數(shù)據(jù)將從保存的圖像中獲取。

1.2 數(shù)據(jù)處理

提取的圖像中含有大量的背景噪聲，會影響牦牛臉識別的效果，與人臉識別方法類似，本文方法是將牦牛臉從圖像中截取出來，制作牦牛臉數(shù)據(jù)集。由于圖像數(shù)據(jù)是從視頻中按幀提取的，這些圖像可能存在一些問題，如圖片模糊、相鄰圖像之間相似度很高以及不包含或只包含少部分牦牛臉等。因此，需要圖像數(shù)據(jù)進(jìn)行清洗。首先，通過篩選掉牦牛臉數(shù)據(jù)不完整和模糊的圖片。圖像數(shù)據(jù)相似度高，會造成訓(xùn)練集和測試集樣本圖像相似，使得網(wǎng)絡(luò)過擬合，無法判斷網(wǎng)絡(luò)模型的魯棒性，因此需要通過圖形相似度算法，淘汰其中相似度過高的圖像。首先，對提取到的牦牛臉圖像，利用圖像均方誤差（Mean Square Error，MSE）和結(jié)構(gòu)相似性（Structural SIMilarity，SSIM）算法［10］來計(jì)算相鄰圖片間的相似程度并做篩選。

MSE的公式如式（1）所示：

只通過MSE 算法不能完全篩選數(shù)據(jù)集，因此加入了基于結(jié)構(gòu)失真的SSIM 評估方法。SSIM 算法通過兩幅圖像之間的方差、協(xié)方差和平均強(qiáng)度來判斷兩幅圖像是否相似，計(jì)算公式如（2）所示：

其中：ux、uy為輸入圖像的平均值，σx、σy為輸入圖像的方差，σxy為兩幅圖像的協(xié)方差；c1、c2為常數(shù)。S（x，y）的取值范圍在0～1，當(dāng)取值低于0.7時(shí)，可以認(rèn)為兩張圖片不相似。

經(jīng)過清洗后的數(shù)據(jù)集中，每頭牦牛的圖像有150～200 張。為了提高網(wǎng)絡(luò)模型的泛化能力，利用垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)、亮度降低、亮度增強(qiáng)等方法對數(shù)據(jù)集進(jìn)行增強(qiáng)，其中圖像的亮度變化隨機(jī)選取參數(shù)以保證圖像的隨機(jī)性。

2 基于遷移學(xué)習(xí)的Parallel-CNN 牦牛臉識別算法

2.1 遷移學(xué)習(xí)

目前在牦牛臉識別領(lǐng)域存在標(biāo)注數(shù)據(jù)少的問題，為了充分利用之前標(biāo)注完成的數(shù)據(jù)，提出了遷移學(xué)習(xí)。為了使牦牛數(shù)據(jù)在遷移學(xué)習(xí)得到很好的利用，并能在新的領(lǐng)域和任務(wù)中發(fā)揮作用，本文提出一種將VGG 模型遷移到Parallel-CNN 的算法，具體方法如下：首先凍結(jié)并取出VGG 模型中的特征提取層，用于提取初次特征；再與CNN連接進(jìn)行二次特征提取。

2.2 CNN算法

CNN 是一種具有卷積計(jì)算和深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)［11］，是深度學(xué)習(xí)的代表性算法之一。CNN 具有表示學(xué)習(xí)的能力，可以根據(jù)輸入信息的層次結(jié)構(gòu)對輸入信息進(jìn)行分類。在全連接神經(jīng)網(wǎng)絡(luò)中，相鄰兩層之間的所有節(jié)點(diǎn)互相連接，所以每一層的所有節(jié)點(diǎn)組成一列，而卷積神經(jīng)網(wǎng)絡(luò)相鄰兩層之間只有部分節(jié)點(diǎn)相連。對于全連接神經(jīng)網(wǎng)絡(luò)來說，直接訓(xùn)練牦牛的圖像會導(dǎo)致訓(xùn)練參數(shù)過多，造成過擬合的問題，而卷積神經(jīng)網(wǎng)絡(luò)除了減少需要估計(jì)的參數(shù)以外，還能很好地提取牦牛臉圖像中的特征。

圖1為CNN對牦牛臉圖像的特征提取可視化示意圖。

圖1 牦牛臉圖像的CNN特征提取可視化示意圖Fig.1 Schematic diagram of CNN feature extraction visualization of yak face image

CNN包含了卷積層、池化層與全連接層，每一層又由多個(gè)二維向量組成，并且每個(gè)向量由多個(gè)獨(dú)立的神經(jīng)元組成。而其中的核心是卷積層，其思想來源于數(shù)學(xué)中的卷積運(yùn)算，如式（3）所示：

其中：x(t-a)表示輸入，w(a)為卷積核。離散化后的形式為：

二維形式的卷積為：

2.3 VGG模型

與其他模型不同的是，VGG 網(wǎng)絡(luò)更注重網(wǎng)絡(luò)的深度，使用多個(gè)小卷積核構(gòu)成卷積層，從而增加網(wǎng)絡(luò)深度。與很多其他模型采用大卷積核的模式相比，VGG 網(wǎng)絡(luò)使用多個(gè)3×3 的小卷積核堆可以平滑地?cái)U(kuò)充網(wǎng)絡(luò)的深度并使得該模型能夠?qū)W習(xí)更加復(fù)雜的模式。本文采用了VGG16模型，如圖2所示。

圖2 VGG16網(wǎng)絡(luò)模型Fig.2 VGG16 network model

由圖2可知，VGG16模型包含了13個(gè)卷積層、5個(gè)池化層、3 個(gè)全連接層。其中所有的卷積核大小均為3×3，采用3×3 小卷積核的原因是：兩個(gè)3×3 的堆疊卷積層的有限感受野是5×5；3 個(gè)3×3 的堆疊卷積層的感受野是7×7，多個(gè)小卷積核構(gòu)成的卷積層相比大卷積核，具有更強(qiáng)的非線性，能夠擬合更復(fù)雜的情況。為了保留更多的信息，池化層全部采用2×2 的池化核；最后經(jīng)過3個(gè)全連接層和Softmax層輸出每個(gè)類別的概率。

2.4 Parallel-CNN牦牛臉識別

研究表明，人類的視覺信息加工主要由兩條通路組成：腹側(cè)通路和背側(cè)通路，腹側(cè)通路又稱為枕-顳通路，負(fù)責(zé)對物體產(chǎn)生完整而精細(xì)的視知覺；背側(cè)通路又稱為枕-頂通路，負(fù)責(zé)對視覺刺激的空間知覺［12］。基于該思想，本文提出了Parallel-CNN 算法。同時(shí)，為了減少訓(xùn)練時(shí)間，利用已經(jīng)訓(xùn)練好的VGG16模型進(jìn)行遷移學(xué)習(xí)，算法的結(jié)構(gòu)如圖3所示。

圖3 Parallel-CNN算法Fig.3 Parallel-CNN algorithm

圖3 所示的Parallel-CNN 由兩個(gè)并行網(wǎng)絡(luò)組成，該網(wǎng)絡(luò)包含初次特征提取和二次特征提取兩個(gè)部分。在分類器運(yùn)算過程中，任意一個(gè)并行網(wǎng)絡(luò)使得不同維度的特征產(chǎn)生交互，這樣能夠提取不同的圖片特征。因此，通過兩個(gè)并行網(wǎng)絡(luò)可以同時(shí)捕獲輸入圖像不同特征之間的關(guān)系。

Parallel-CNN 算法由六元組組成，以第一個(gè)并行網(wǎng)絡(luò)為例，函數(shù)形式為：

其中：V1、V2表示特征提取函數(shù)，D為全連接函數(shù)，C為卷積函數(shù)，P為池化函數(shù)，S為Softmax分類函數(shù)。

特征提取函數(shù)V1(·)通過VGG 模型來完成，V1(·)為特征空間映射，將數(shù)據(jù)特征空間進(jìn)行變換：

其中R∈RE×F，V1(·)將輸入的圖像信息I變換為一個(gè)E×F維度的特征；接著通過一個(gè)全連接函數(shù)D將兩個(gè)VGG 特征提取函數(shù)的輸出進(jìn)行維度變換：

D(·)將E×F維的數(shù)據(jù)轉(zhuǎn)換為EF× 1維度的數(shù)據(jù)；C為卷積函數(shù)，對VGG的輸出數(shù)據(jù)再次進(jìn)行特征提取，卷積函數(shù)為：

其中：i和j代表矩陣的行和列索引，K為卷積核；P為池化函數(shù)，其作用是將每個(gè)卷積層的輸出匯聚為一個(gè)最終的圖像特征并去除冗余信息、減少計(jì)算量，P的計(jì)算公式為：

最后，S為Softmax分類函數(shù)，其輸出為輸入圖像各類別的概率，公式為：

3 實(shí)驗(yàn)結(jié)果及分析

3.1 端對端訓(xùn)練

訓(xùn)練數(shù)據(jù)包括了300 頭牦牛共90 000 張圖片，即90 000個(gè)數(shù)據(jù)中一共有300 種類別。其中，數(shù)據(jù)被劃分為訓(xùn)練集、驗(yàn)證集以及測試集，比例為7∶2∶1。在算法的訓(xùn)練階段使用了訓(xùn)練集和驗(yàn)證集，其中訓(xùn)練集用于更新神經(jīng)網(wǎng)絡(luò)的參數(shù)，而驗(yàn)證集不參與神經(jīng)網(wǎng)絡(luò)權(quán)重的調(diào)整，起到檢測每輪小批次數(shù)據(jù)的效果，進(jìn)而監(jiān)控算法是否過擬合的作用。實(shí)驗(yàn)過程中，訓(xùn)練數(shù)據(jù)經(jīng)過了在人臉數(shù)據(jù)集預(yù)訓(xùn)練過的VGG16 網(wǎng)絡(luò)，且在第五層池化層進(jìn)行截?cái)啵瑢?shí)現(xiàn)了初次特征提取；接著進(jìn)行維度變換，通過第一個(gè)全連接網(wǎng)絡(luò)進(jìn)行維度變換，激活函數(shù)為sigmoid函數(shù)，其函數(shù)形式為：

維度變換之后，進(jìn)入多個(gè)卷積層和池化層進(jìn)行二次特征提取，一共包括4 個(gè)卷積層和4 個(gè)池化層；最后經(jīng)過第二個(gè)全連接網(wǎng)絡(luò)作為分類器，該全連接網(wǎng)絡(luò)包含1 個(gè)輸入層、1 個(gè)隱藏層和1個(gè)輸出層，訓(xùn)練時(shí)全連接層的dropout的概率為50%，輸入層和隱藏層的激活函數(shù)為線性整流函數(shù)（Rectified Linear Unit，ReLU）函數(shù)，其函數(shù)形式為：

輸出層采用Softmax 函數(shù)；損失函數(shù)采用交叉熵?fù)p失，其定義如下：

其中：K為類別數(shù)；yi為標(biāo)簽，如果類別第i類，則yi=1 時(shí)，否則yi=0；pi為神經(jīng)網(wǎng)絡(luò)的輸出，其含義為類別為i的概率；優(yōu)化器采用Adam。

本文所使用訓(xùn)練設(shè)備的配置為Turing 架構(gòu)GeForce RTX 2080TI 顯卡，Intel Xeon E5-2678 V3 處理器，64 GB 內(nèi)存；軟件運(yùn)行環(huán)境為Ubuntu 20.04操作系統(tǒng)，Python3.7，PyTorch 1.2。

3.2 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)選取準(zhǔn)確率作為目標(biāo)算法的評價(jià)指標(biāo)。準(zhǔn)確率指正確識別圖像的數(shù)量占整個(gè)測試數(shù)據(jù)集的百分比。訓(xùn)練過程中的算法的準(zhǔn)確率和損失值的變化曲線如圖4和圖5所示，損失值作為一個(gè)訓(xùn)練算法時(shí)的輔助指標(biāo)，其用于度量算法的擬合程度，損失值越小，代表算法擬合得越好。

從圖4 和圖5 可以看出，隨著迭代次數(shù)的不斷增加，算法的準(zhǔn)確率在不斷提高，損失值在不斷降低。在迭代次數(shù)達(dá)到60 次之后，準(zhǔn)確率和損失值都逐漸平穩(wěn)，并且準(zhǔn)確率超過了90%，損失值在0.1 左右。驗(yàn)證集的曲線緊緊跟隨訓(xùn)練集的曲線，沒有出現(xiàn)過擬合的情況，說明使用了dropout 之后，算法抗過擬合性好。

圖5 本文算法損失值變化Fig.5 Loss value change of the proposed algorithm

本次實(shí)驗(yàn)采用300 頭牦牛9 000 張照片作為測試集來度量算法的訓(xùn)練效果，本文將Parallel-CNN 與VGG16 網(wǎng)絡(luò)、ResNet-50 網(wǎng) 絡(luò)［13］、基于主成分分析（Principal Component Analysis，PCA）的Eigenface 算法［14］、緊密連接型卷積網(wǎng)絡(luò)（Dense Convolutional Network，DenseNet）［15］進(jìn)行對比。訓(xùn)練時(shí)間和測試結(jié)果如表1所示。

表1 幾種算法的訓(xùn)練時(shí)間和測試結(jié)果Tab.1 Training time and test results of several algorithms

從表1 可以看出，Parallel-CNN 的性能最優(yōu)，在測試集上的準(zhǔn)確率達(dá)到了91.2%。和VGG16 模型比較，二次特征提取使算法的準(zhǔn)確率提升了12.9 個(gè)百分點(diǎn)，由于Parallel-CNN 算法凍結(jié)了VGG16 的所有權(quán)重，只訓(xùn)練了二次提升特征提取網(wǎng)絡(luò)的權(quán)重，所以訓(xùn)練時(shí)間大幅縮減。另外，與ResNet-50相比，訓(xùn)練時(shí)間減少了大約43%，準(zhǔn)確率也提升了6.6 個(gè)百分點(diǎn)；對比Eigenface，Eigenface 的訓(xùn)練時(shí)間比Parallel-CNN 算法減少了33.3%，但可能由于該算法不能較好地識別不同光照角度、強(qiáng)度下圖像，準(zhǔn)確率下降了18 個(gè)百分點(diǎn)。最后對比DenseNet，由于該網(wǎng)絡(luò)在每一層使用前面層提取的各個(gè)特征，增強(qiáng)了特征傳播，能取得不錯(cuò)的效果，準(zhǔn)確率也比所提算法的低2.6 個(gè)百分點(diǎn)，且Parallel-CNN 較其訓(xùn)練時(shí)間減少了20%。總體上看，在設(shè)計(jì)圖像的特征表述時(shí)，利用遷移學(xué)習(xí)與并行網(wǎng)絡(luò)結(jié)合將各特征之間的空間位置關(guān)系考慮進(jìn)去，的確能夠更加豐富、準(zhǔn)確地描述對象，說明多次特征提取建模局部特征的交互能力更強(qiáng)，在描述對象時(shí)比單神經(jīng)網(wǎng)絡(luò)更具代表性；而且，訓(xùn)練算法時(shí)不需要重新訓(xùn)練VGG16 模型的權(quán)重，顯著降低參數(shù)的數(shù)量。

4 結(jié)語

本文針對牦牛養(yǎng)殖集中化管理中牦牛臉識別存在面部特征數(shù)據(jù)量大、神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長的問題，提出一種基于遷移學(xué)習(xí)的Parallel-CNN 算法來識別牦牛臉。該算法通過已訓(xùn)練好的VGG16 模型進(jìn)行遷移學(xué)習(xí)，提取得到的牦牛臉圖像的初次特征，再將提取到的初次特征輸入并行CNN 得到二次提取的特征，最后通過全連接網(wǎng)絡(luò)進(jìn)行分類。通過分析與實(shí)驗(yàn)表明，該算法與目前常用的幾種算法對比，能夠有效降低訓(xùn)練時(shí)間并且保證較高的準(zhǔn)確率。在未來的養(yǎng)殖領(lǐng)域中，應(yīng)用牦牛臉識別技術(shù)可以確保牦牛的身份能夠被準(zhǔn)確、實(shí)時(shí)和自動(dòng)獲取，將豐富智能化牦牛管理信息平臺功能和應(yīng)用。