IT201800000640A1 - METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES - Google Patents
METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES Download PDFInfo
- Publication number
- IT201800000640A1 IT201800000640A1 IT201800000640A IT201800000640A IT201800000640A1 IT 201800000640 A1 IT201800000640 A1 IT 201800000640A1 IT 201800000640 A IT201800000640 A IT 201800000640A IT 201800000640 A IT201800000640 A IT 201800000640A IT 201800000640 A1 IT201800000640 A1 IT 201800000640A1
- Authority
- IT
- Italy
- Prior art keywords
- animal
- images
- network
- domain
- embeddings
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims description 205
- 238000000034 method Methods 0.000 title claims description 65
- 238000013135 deep learning Methods 0.000 title claims description 14
- 241000282414 Homo sapiens Species 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 14
- 241000283690 Bos taurus Species 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 235000013365 dairy product Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 241000283073 Equus caballus Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036449 good health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 241000938605 Crocodylia Species 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Description
Descrizione del Brevetto per Invenzione Industriale dal titolo: Description of the Patent for Industrial Invention entitled:
“METODO E SISTEMA PER IL RICONOSCIMENTO BIOMETRICO UNIVOCO DI UN ANIMALE, BASATI SULL’ UTILIZZO DI TECNICHE DI DEEP LEARNING” "METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES"
La presente invenzione si colloca nel campo delle tecnologie per il riconoscimento delle identità di animali, basate sul riconoscimento di immagini e, in particolare, nel campo della realizzazione di un sistema di gestione di dati anagrafici relativi a ciascuna identità animale. The present invention is placed in the field of technologies for recognizing animal identities, based on image recognition and, in particular, in the field of realizing a system for managing personal data relating to each animal identity.
Più in particolare la presente invenzione si colloca nel settore dei metodi e sistemi per il riconoscimento biometrico di animali che sfruttano tecnologie basate sull'intelligenza artificiale e sulla computer vision, che consentono di riconoscere univocamente un animale; più in particolare la presente invenzione utilizza tecniche di deep learning per la realizzazione e gestione di una banca biometrica che possa, su richiesta, collegarsi ad una qualsiasi anagrafe animale. More particularly, the present invention is placed in the sector of methods and systems for the biometric recognition of animals which exploit technologies based on artificial intelligence and on computer vision, which allow to uniquely recognize an animal; more particularly, the present invention uses deep learning techniques for the construction and management of a biometric bank which can, upon request, be connected to any animal registry.
STATO DELL’ARTE STATE OF THE ART
Le tecnologie basate sull’intelligenza artificiale per il riconoscimento di specie e di individui sono state applicate sia in ambito zoologico per il riconoscimento di popolazioni di animali selvatici, sia in ambito zootecnico per l’identificazione del singolo soggetto ai fini della tracciabilità. The technologies based on artificial intelligence for the recognition of species and individuals have been applied both in the zoological field for the recognition of populations of wild animals, and in the zootechnical field for the identification of the individual subject for traceability purposes.
In ambito zoologico, al fine di capire meglio le complessità degli ecosistemi naturali e meglio gestirli e proteggerli, si è resa necessaria una conoscenza dettagliata e su larga scala del numero, posizione e comportamenti degli animali negli ecosistemi naturali al fine di un miglioramento delle ricerche in ambito biologico finalizzate all'identificazione delle svariate specie di animali e alla stima della popolazione. In the zoological field, in order to better understand the complexities of natural ecosystems and better manage and protect them, a detailed and large-scale knowledge of the number, position and behavior of animals in natural ecosystems was necessary in order to improve research in biological field aimed at identifying the various species of animals and estimating the population.
In ambito zootecnico e nell’ambito della distribuzione di alimenti di origine animale, al fine di garantire la salubrità dei prodotti alimentari ed al fine di poterne seguire il percorso che ha portato l’alimento sulle nostre tavole, è stata introdotta la tracciabilità come strumento che garantisca la sicurezza e la salubrità di un prodotto alimentare, ovvero uno strumento capace di seguire il percorso di un alimento dalla fase di produzione alle fasi successive di trasformazione e distribuzione; pertanto, nel caso della filiera carne e latte, gli animali vengono tracciati dalla nascita e poi durante le fasi successive di trasformazione e commercializzazione; inoltre, la tracciabilità dei singoli individui si è resa necessaria, in queste filiere, anche per contenere la diffusione di eventuali focolai epidemici di malattie infettive e per poter identificare gli animali eventualmente positivi o sospetti ai test diagnostici. In the zootechnical field and in the distribution of food of animal origin, in order to guarantee the healthiness of food products and in order to be able to follow the path that brought the food to our tables, traceability was introduced as a tool that guarantees the safety and healthiness of a food product, or a tool capable of following the path of a food from the production phase to the subsequent transformation and distribution phases; therefore, in the case of the meat and milk supply chain, the animals are tracked from birth and then during the subsequent processing and marketing phases; moreover, the traceability of single individuals has become necessary, in these supply chains, also to contain the spread of any epidemic outbreaks of infectious diseases and to be able to identify any animals that may be positive or suspected in diagnostic tests.
Un altro utilizzo zootecnico delle tecnologie finalizzate alla tracciabilità del singolo individuo, è l’utilizzo nella specie equina, nella quale soggetti di elevato valore commerciale spesso partecipano a gare e concorsi e per i quali sono molto frequenti i rischi di furti e frodi; l’esatta possibilità di individuare ogni singolo soggetto, darebbe la possibilità di ridurre sensibilmente l’incidenza di questi eventi. Another zootechnical use of technologies aimed at the traceability of the individual is the use in the equine species, in which subjects of high commercial value often participate in competitions and competitions and for which the risks of theft and fraud are very frequent; the exact possibility of identifying each individual subject would give the possibility to significantly reduce the incidence of these events.
Se da una parte queste nuove tecnologie, che utilizzano anche strumenti di acquisizione di immagini quali per esempio telecamere o fotocamere, rilevano automaticamente milioni di immagini, tuttavia, l’analisi di dette immagini è tradizionalmente fatta da operatori con grande dispendio in termini di tempo (sono necessari circa 2-3 mesi affinché operatori possano valutare e catalogare un lotto di immagini rilevato in un arco temporale di 6 mesi) e denaro oltre che perdita di materiale in quanto gran parte del materiale raccolto in idonei database resta inutilizzato. While these new technologies, which also use image acquisition tools such as cameras or cameras, automatically detect millions of images, however, the analysis of these images is traditionally done by operators with great expenditure in terms of time ( it takes about 2-3 months for operators to evaluate and catalog a batch of images detected in a period of 6 months) and money as well as loss of material as much of the material collected in suitable databases remains unused.
L’automatizzazione della procedure di estrazione, valutazione e catalogazione di immagini relative ad animali, diventa dunque un punto focale per produrre facilmente grandi quantità di informazioni preziose disponibili sia per gli etologi che per altri operatori, allo scopo di aiutarli a svolgere le loro attività; queste procedure di gestione delle informazioni derivate da immagini di animali, sono state ritenute interessanti anche in ambito zootecnico al fine di una catalogazione degli animali per garantire la tracciabilità degli animali stessi e dei prodotti di origine animale da loro derivati. The automation of the procedures for extracting, evaluating and cataloging images relating to animals thus becomes a focal point for easily producing large amounts of valuable information available to both ethologists and other operators, in order to help them carry out their activities; these procedures for managing information derived from images of animals were also considered interesting in the zootechnical field for the purpose of cataloging the animals to ensure the traceability of the animals themselves and of the products of animal origin derived from them.
Le tecnologie basate sull'Intelligenza artificiale ed in particolare sulla Computer Vision permettono il riconoscimento biometrico di un animale. Technologies based on artificial intelligence and in particular on Computer Vision allow the biometric recognition of an animal.
Un sistema di riconoscimento biometrico è un particolare tipo di sistema informatico che ha la funzionalità e lo scopo di identificare un individuo sulla base di una o più caratteristiche biologiche e/o comportamentali (biometria), confrontandole con i dati, precedentemente acquisiti e presenti nel database del sistema, tramite degli algoritmi. A biometric recognition system is a particular type of computer system that has the functionality and purpose of identifying an individual on the basis of one or more biological and / or behavioral characteristics (biometrics), comparing them with the data previously acquired and present in the database of the system, through algorithms.
Oggi, le nuove frontiere della Computer Vision, grazie al Deep Learning o al Machine Learning, permettono di riconoscere gli esseri umani tramite algoritmi che individuano le caratteristiche uniche del soggetto. Today, the new frontiers of Computer Vision, thanks to Deep Learning or Machine Learning, allow us to recognize human beings through algorithms that identify the unique characteristics of the subject.
Nello stato dell’arte si sono sviluppate, pertanto, numerose tecnologie che sfruttano la visione artificiale basata su reti neurali per la rilevazione automatica dettagliata dei volti in ambito umano (una delle applicazioni più note in questo ambito è FaceNet); queste reti sono capaci di analizzare milioni di immagini relative al dominio umano. Per quanto concerne l’applicazione di detta tecnologia al dominio animale, negli ultimi anni, si sta studiando l’utilizzo delle reti neurali per il riconoscimento in primo luogo della specie di appartenenza di un individuo (in particolare per lo studio della fauna selvatica), e poi per il riconoscimento del singolo individuo (sia per la fauna selvatica che per gli animali domestici e di allevamento). In the state of the art, therefore, numerous technologies have been developed that exploit computer vision based on neural networks for the detailed automatic detection of faces in the human environment (one of the best known applications in this area is FaceNet); these networks are capable of analyzing millions of images relating to the human domain. As regards the application of this technology to the animal domain, in recent years, the use of neural networks for the recognition of the species to which an individual belongs (in particular for the study of wildlife) is being studied, and then for the recognition of the single individual (both for wildlife and for domestic and farm animals).
Si evidenziano diversi documenti brevettuali che già descrivono aspetti che sono in relazione con l’idea inventiva che si intende brevettare. We highlight several patent documents that already describe aspects that are related to the inventive idea that you intend to patent.
Il documento CN107292298A dal titolo “Convolution-based neural network and the classifier model bovine face recognition method” illustra un metodo per identificare i lineamenti di un bovino mediante una rete neurale convolutiva ed un modello di classificazione; quando viene aggiunto un nuovo bovino, vengono raccolti solo i dati di immagine, inseriti in un modello di rete neurale convolutiva e i tratti distintivi nuovi sono aggiunti al modello di classificazione originale per essere identificato senza necessità di allenare nuovamente il modello di rete neurale convolutiva. Document CN107292298A entitled "Convolution-based neural network and the classifier model bovine face recognition method" illustrates a method for identifying the features of a bovine using a convolutional neural network and a classification model; when a new bovine is added, only the image data is collected, inserted into a convolutive neural network model, and the new traits are added to the original classification model to be identified without the need to train the convolutive neural network model again.
Il documento CN106778902A dal titolo “Dairy cow individual recognition method based on deep convolutional neural network” fornisce un metodo per il riconoscimento di una singola mucca da latte basato su una rete neurale convolutiva profonda mediante il riconoscimento di immagini e l’elaborazione dei dati dell'immagine; secondo il metodo ogni singola mucca può essere efficacemente riconosciuta estraendo lineamenti distintivi mediante una rete neurale convolutiva ad apprendimento profondo e combinando detti lineamenti distintivi con quelli tipici di vacche da latte. Document CN106778902A entitled "Dairy cow individual recognition method based on deep convolutional neural network" provides a method for the recognition of a single dairy cow based on a deep convolutional neural network through image recognition and data processing image; according to the method, each individual cow can be effectively recognized by extracting distinctive features by means of a deep learning convolutional neural network and combining said distinctive features with those typical of dairy cows.
Le tecnologie descritte nei suddetti documenti brevettuali presentano tuttavia numerosi svantaggi: However, the technologies described in the aforementioned patent documents have numerous disadvantages:
- utilizzano reti neurali semplici atte a elaborare un numero esiguo di immagini di soggetti animali, - they use simple neural networks able to process a small number of images of animal subjects,
- dette reti neurali semplici sono costituite da un numero ridotto di nodi, - these simple neural networks are made up of a small number of nodes,
- non utilizzano una rappresentazione numerica a bassa dimensionalità di un dato (immagine, video, suono, …), come gli embedding, - do not use a low-dimensional numerical representation of a data (image, video, sound, ...), such as embeddings,
- non utilizzano il trasferimento di conoscenza tra reti convolutive operanti su domini differenti, riducendo notevolmente la durata di ciascuna fase di allenamento perché alcune fasi sono già state completate in altri contesti applicativi, - do not use the transfer of knowledge between convolutional networks operating on different domains, significantly reducing the duration of each training phase because some phases have already been completed in other application contexts,
- non hanno un sistema di memorizzazione delle identità che sia efficace, efficiente e persistente. - they do not have an identity storage system that is effective, efficient and persistent.
Si elencano nel seguito alcuni ulteriori documenti brevettuali noti che evidenziano in varia natura sistemi e procedure per il riconoscimento di animali: Some further known patent documents are listed below which highlight various systems and procedures for the recognition of animals:
- CN106845512A “Animal body identification method and system based on fractal parameters”, - CN106845512A "Animal body identification method and system based on fractal parameters",
- WO2015176637A1 “Non-invasive multimodal biometrical identification system of animals”, - WO2015176637A1 "Non-invasive multimodal biometrical identification system of animals",
- CN107330472A “A marker-free mode the animal individual automatic identification method”, - CN107330472A "A marker-free mode the animal individual automatic identification method",
- CN107256398A “Based on feature fusion of cow of the individual identification method”. - CN107256398A “Based on feature fusion of cow of the individual identification method”.
Si evidenzia a seguito dell’analisi dello stato dell’arte la necessità di predisporre un metodo per il riconoscimento biometrico univoco di un animale capace di elaborare un numero elevato di immagini (anche alcuni milioni di immagini) così come fanno le reti neurali che elaborano i volti umani. Following the analysis of the state of the art, the need to prepare a method for the unique biometric recognition of an animal capable of processing a large number of images (even a few million images) as do the neural networks that process the human faces.
Scopo principale della presente invenzione è quello di superare la maggior parte degli inconvenienti presenti nelle tecnologie attualmente note mediante una nuova tecnologia per il riconoscimento e monitoraggio di individui animali basato su un metodo e sistema che sfrutta l’esperienza raggiunta dalle reti neurali umane per trasporre questa “conoscenza” sul dominio animale. The main purpose of the present invention is to overcome most of the drawbacks present in currently known technologies by means of a new technology for the recognition and monitoring of animal individuals based on a method and system that exploits the experience achieved by human neural networks to transpose this "Knowledge" about the animal domain.
L’obiettivo del metodo e sistema è l’identificazione di animali a livello di singolo individuo: data una immagine o una serie di immagini raffiguranti un animale, il sistema dopo aver calcolato una rappresentazione numerica a bassa dimensionalità ovvero un embedding, predice la presenza o meno dell’identità dell’animale in un dataset contenente le identità (in termini di altre immagini) di molteplici altri capi. The goal of the method and system is the identification of animals at the level of a single individual: given an image or a series of images depicting an animal, the system, after calculating a low-dimensional numerical representation or embedding, predicts the presence or less than the identity of the animal in a dataset containing the identities (in terms of other images) of multiple other animals.
Ulteriore scopo è quello di sviluppare un sistema di identificazione e tracciabilità che possa essere impiegato a livello nazionale/internazionale. A further aim is to develop an identification and traceability system that can be used at national / international level.
La presente invenzione permette i seguenti vantaggi: The present invention allows the following advantages:
- consentire in qualunque momento l’identificazione univoca degli animali; - allow the univocal identification of the animals at any time;
- evitare scambi di identità; - avoid identity exchanges;
- permettere un rapido monitoraggio degli animali in ambito nazionale e internazionale; - allow rapid monitoring of animals at national and international level;
- ridurre e scongiurare furti o frodi di animali di alta genealogia ed elevato valore economico; - reduce and prevent theft or fraud of animals of high genealogy and high economic value;
- controllare le malattie infettive ed impedirne la diffusione all’interno del patrimonio zootecnico; - control infectious diseases and prevent their spread within the livestock heritage;
- garantire il benessere animale sia in ambito zootecnico che sportivo; - guarantee animal welfare both in the zootechnical and sporting fields;
- scongiurare l’impiego di sostanze nocive/tossiche che possano causare problemi di salute pubblica; - avoid the use of harmful / toxic substances that can cause public health problems;
- pianificare a livello nazionale e sovranazionale le strategie agricole, di sviluppo e commerciali di un singolo paese o di una regione. - plan the agricultural, development and commercial strategies of a single country or region at a national and supranational level.
SOMMARIO DELL’INVENZIONE SUMMARY OF THE INVENTION
La presente invenzione descrive un metodo ed un sistema per l’identificazione biometrica univoca di un animale, basati sull’utilizzo di tecniche di computer vision, finalizzati a formare una o più banche dati di immagini di animali che possano fornire un supporto alle anagrafi locali, regionali, nazionali e internazionali comunemente impiegate per la tracciabilità degli animali. The present invention describes a method and a system for the unique biometric identification of an animal, based on the use of computer vision techniques, aimed at forming one or more databases of images of animals that can provide support to local registries, regional, national and international commonly used for animal traceability.
In particolare la presente invenzione associa alle tecniche di computer vision anche tecniche di deep learning, ovvero quelle tecniche che fanno parte della branca dell’apprendimento automatico per mezzo di reti neurali, il cui funzionamento mima le tecniche dell’apprendimento umano. In particular, the present invention also associates deep learning techniques with computer vision techniques, i.e. those techniques that are part of the branch of machine learning by means of neural networks, the operation of which mimics the techniques of human learning.
Più in particolare la presente invenzione sfrutta l’esperienza maturata in ambito umano, relativamente alle reti neurali addestrate per il riconoscimento facciale, per trasporre questa conoscenza sul dominio animale. More specifically, the present invention exploits the experience gained in the human field, in relation to neural networks trained for facial recognition, to transpose this knowledge on the animal domain.
La presente invenzione è rappresentata da un metodo che è composto dalle seguenti fasi: The present invention is represented by a method which is composed of the following steps:
a. fase di allenamento su di un dominio umano ed un dominio animale per l’ottenimento di embedding animali in uno spazio latente omologo a quello umano per mezzo di reti neurali convolutive; to. training phase on a human domain and an animal domain for obtaining animal embedding in a latent space homologous to the human one by means of convolutional neural networks;
b. memorizzazione degli embedding animali ottenuti in una banca dati; b. storage of animal embeddings obtained in a database;
c. riconoscimento di una identità animale per mezzo di reti neurali convolutive. Più in particolare il metodo rappresentato dalla presente invenzione è composto da una innovativa fase di allenamento che, utilizzando immagini di entrambi i domini (umano ed animale), ed utilizzando differenti reti neurali convolutive, permettono di trasformare gli embedding del dominio umano in immagini chimera, ovvero contenenti caratteristiche di entrambi i domini, che sono il punto di partenza per ottenere reti neurali convolutive allenate a riconoscere immagini animali e produrre degli embedding animali che preservano le distanze delle immagini umane corrispondenti, ottenendo una spazio latente animale omologo a quello del dominio umano. L’utilizzo, nelle prime fasi di allenamento, di embedding umani, ottenuti da reti convolutive addestrate mediante un catalogo di milioni di immagini del dominio umano e, pertanto, robuste ed affidabili, consente di trasporre le conoscenze di queste reti anche nel dominio animale, bypassando una lunga fase di addestramento che sul solo dominio animale sarebbe di difficile realizzazione pratica. c. recognition of an animal identity by means of convolutional neural networks. More specifically, the method represented by the present invention is composed of an innovative training phase which, using images of both domains (human and animal), and using different convolutive neural networks, allow to transform the embeddings of the human domain into chimera images, that is, containing characteristics of both domains, which are the starting point for obtaining convolutive neural networks trained to recognize animal images and produce animal embeddings that preserve the distances of the corresponding human images, obtaining a latent animal space homologous to that of the human domain. The use, in the early stages of training, of human embedding, obtained from convolutional networks trained through a catalog of millions of images of the human domain and, therefore, robust and reliable, allows to transpose the knowledge of these networks also in the animal domain, bypassing a long phase of training that on the animal domain alone would be difficult to achieve.
Pertanto, il principale problema tecnico risolto dalla presente invenzione è la creazione di un sistema di reti neurali che funzionino su dominio animale che si dimostrino robuste, affidabili e più semplici da addestrare; la semplificazione della fase di addestramento delle reti neurali specializzate sul dominio animale si realizza proprio partendo dagli embedding umani. Therefore, the main technical problem solved by the present invention is the creation of a system of neural networks that operate on the animal domain which prove to be robust, reliable and simpler to train; the simplification of the training phase of specialized neural networks on the animal domain is carried out precisely starting from human embedding.
Gli embedding animali saranno poi memorizzati per formare una banca dati in cui ogni embedding sarà associato ad una immagine dell’animale; contestualmente a questa fase di memorizzazione in banca dati, vi sarà la creazione di una struttura a grafo che indicherà un set di distanze tra gli embedding. The animal embeddings will then be stored to form a database in which each embedding will be associated with an image of the animal; contextually to this phase of storage in the database, there will be the creation of a graph structure that will indicate a set of distances between the embeddings.
La presente invenzione prevede anche un sistema comprendente: The present invention also provides a system comprising:
- un dispositivo mobile in grado di scattare fotografie, che può essere un cellulare oppure una fotocamera; - a mobile device capable of taking photographs, which can be a mobile phone or a camera;
- un server all’interno del quale avviene l’allenamento delle reti neurali convolutive e l’elaborazione delle immagini acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e dove avviene anche la gestione della banca dati; - a server within which the convolutional neural networks are trained and the images acquired through the mobile electronic device and / or a camera are processed and where the database is also managed;
- un modem e/o un access point e/o uno switch di rete per la connessione del server ad una rete esterna e/o interna. - a modem and / or an access point and / or a network switch for connecting the server to an external and / or internal network.
L’applicazione, mobile e desktop, consente mediante impiego delle immagini del “volto” e/o di porzioni del corpo dei singoli animali, facilmente acquisibili con qualunque dispositivo elettronico dotato di fotocamera (smartphone, tablet, portatile), una rapida identificazione dell’animale anche a distanza. L’identificazione biometrica permetterà di poter prontamente ed automaticamente identificare l’individuo mentre le tecnologie tradizionali di identificazione (microchip e passaporti) necessitano di un contatto ravvicinato e prolungato con l’animale e spesso non possono prescindere dall’esperienza dell’osservatore. L’impiego di tecnologie biometriche ridurrà, pertanto, la componente esperienziale umana fondamentale per l’identificazione. The application, mobile and desktop, allows, through the use of images of the "face" and / or portions of the body of individual animals, easily acquired with any electronic device equipped with a camera (smartphone, tablet, laptop), a quick identification of the animal even at a distance. Biometric identification will allow you to promptly and automatically identify the individual while traditional identification technologies (microchips and passports) require close and prolonged contact with the animal and often cannot ignore the observer's experience. The use of biometric technologies will therefore reduce the human experiential component essential for identification.
La presenza di dati di georeferenziazione presenti nelle foto scattate con dispositivi di tipo smart (telefono cellulare, tablet, …) consente al sistema di accelerare il riconoscimento selezionando, inizialmente, gli embedding animali associati ad una determinata regione geografica, e in caso di fallimento di estendere la ricerca anche ad aree geografiche limitrofe e/o all’intera banca dati. The presence of georeferencing data present in photos taken with smart devices (mobile phone, tablet, ...) allows the system to accelerate recognition by initially selecting the animal embeddings associated with a specific geographical region, and in case of failure of extend the search also to neighboring geographical areas and / or to the entire database.
Un ulteriore utilizzo della tecnica illustrata permetterà di valutare l’accrescimento degli animali, stimarne il peso, esaminare problemi fisici e difetti comportamentali, estendendo quindi l’utilizzo di dette tecnologie sia alla diagnostica veterinaria sia al benessere animale. A further use of the illustrated technique will allow to evaluate the growth of animals, estimate their weight, examine physical problems and behavioral defects, thus extending the use of these technologies to both veterinary diagnostics and animal welfare.
Ulteriori caratteristiche e vantaggi dell’invenzione risulteranno maggiormente evidenti alla luce della descrizione dettagliata di alcune forme di realizzazione preferite, ma non esclusive, del sistema e metodo per il riconoscimento univoco di un animale, illustrate a titolo di esempio non limitativo con riferimento delle tavole di disegno allegate in cui: Further characteristics and advantages of the invention will become more evident in the light of the detailed description of some preferred, but not exclusive, embodiments of the system and method for the univocal recognition of an animal, illustrated by way of non-limiting example with reference to the tables of attached drawing in which:
fig. 1 – mostra uno schema della fase di allenamento delle reti neurali secondo il metodo oggetto dell’invenzione, che utilizza entrambi i domini umano e animale (a linee tratteggiate è rappresentata la fase di allenamento su dominio umano, facente parte dell’arte nota); fig. 1 - shows a diagram of the training phase of the neural networks according to the method object of the invention, which uses both the human and animal domains (in dotted lines the training phase on human domain is represented, which is part of the known art);
fig. 2 – mostra uno schema della fase di creazione di una banca dati partendo dagli embedding animali ottenuti e la successiva fase di creazione di una struttura a grafo tra gli embedding animali. fig. 2 - shows a diagram of the phase of creating a database starting from the animal embeddings obtained and the subsequent phase of creating a graph structure among the animal embeddings.
fig. 3 – mostra uno schema della fase di riconoscimento di una identità animale per mezzo della creazione di un grafo tra embedding animali con caratteristiche similari. fig. 4 – mostra una vista schematica del sistema per il riconoscimento biometrico, univoco di un animale. fig. 3 - shows a scheme of the recognition phase of an animal identity by means of the creation of a graph between animal embedding with similar characteristics. fig. 4 - shows a schematic view of the system for biometric, unique recognition of an animal.
LEGENDA: LEGEND:
101 – Immagine dominio umano 101 - Human domination image
102 – Rete convolutiva A 102 - Convolutive network A
103.0 – Embedding umani 103.0 - Human Embedding
103.1 – Embedding delle immagini trasformate da un dominio all’altro e posizionati in uno spazio latente omologo a quello del dominio umano 103.1 - Embedding of images transformed from one domain to another and positioned in a latent space homologous to that of the human domain
103.2 – Embedding animali 103.2 - Animal embedding
103.3 – Selezione di embedding animali simili all’identità da testare 103.3 - Selection of animal embedding similar to the identity to be tested
104 – Rete convolutiva B 104 - Convolutive network B
105 – Rete convolutiva C 105 - Convolutive network C
106 – Immagine trasformata da un dominio all’altro 106 - Image transformed from one domain to another
106.1 – Selezione delle immagini trasformate da un dominio all’altro 106.1 - Selection of images transformed from one domain to another
107 – Immagini dominio animali 107 - Animal domain images
108 – Rete convolutiva D 108 - Convolutive network D
109 – Rete convolutiva sui grafi E 109 - Convolutive network on E graphs
110 – Struttura a grafo degli embedding animali salvati in banca dati 110 - Graph structure of animal embedding saved in the database
110.1 – nodi del grafo 110 110.1 - nodes of graph 110
111 – Banca dati 111 - Database
112 – Immagine di una identità animale da identificare 112 - Image of an animal identity to be identified
113 – Struttura a grafo degli embedding animali relativi all’identità da testare 113.1 – nodi del grafo 113 113 - Graph structure of animal embedding relating to the identity to be tested 113.1 - nodes of graph 113
1 – Sistema per il riconoscimento biometrico univoco di un animale 1 - System for the unique biometric recognition of an animal
2 – Dispositivo elettronico mobile 2 - Mobile electronic device
3 – Fotocamera 3 - Camera
4 – PC 4 - PC
5 – Server 5 - Server
6 – Dispositivo di rete (modem router/access point /switch di rete) 6 - Network device (modem router / access point / network switch)
7 – Server remoto 7 - Remote server
DESCRIZIONE DETTAGLIATA DELL’INVENZIONE DETAILED DESCRIPTION OF THE INVENTION
La presente invenzione descrive, in primo luogo, un metodo per l’identificazione biometrica univoca di un animale, basato sulle tecniche di deep learning. The present invention describes, first of all, a method for the unique biometric identification of an animal, based on deep learning techniques.
Il metodo per il riconoscimento biometrico univoco di un animale, basato sull’utilizzo di tecniche di deep learning, rivelato dalla presente invenzione, comprende le seguenti fasi: The method for the unique biometric recognition of an animal, based on the use of deep learning techniques, revealed by the present invention, includes the following steps:
a. fase di allenamento su di un dominio umano ed un dominio animale per l’ottenimento di embedding animali in uno spazio latente omologo a quello umano per mezzo di reti neurali convolutive; to. training phase on a human domain and an animal domain for obtaining animal embedding in a latent space homologous to the human one by means of convolutional neural networks;
b. memorizzazione degli embedding animali ottenuti in una banca dati; b. storage of animal embeddings obtained in a database;
c. riconoscimento di una identità animale per mezzo di reti neurali convolutive. La presente invenzione risolve il problema tecnico dell’allenamento delle reti neurali di un dominio animale e, quindi, della creazione di un sistema di reti neurali che funzionino su dominio animale che si dimostrino robuste, affidabili e più semplici da addestrare; la semplificazione della fase di addestramento delle reti neurali specializzate sul dominio animale si realizza proprio partendo dagli embedding umani. c. recognition of an animal identity by means of convolutional neural networks. The present invention solves the technical problem of training the neural networks of an animal domain and, therefore, the creation of a system of neural networks that operate on an animal domain that prove to be robust, reliable and easier to train; the simplification of the training phase of specialized neural networks on the animal domain is carried out precisely starting from human embedding.
Come ben sappiamo il dominio delle facce umane è stato ampiamente esplorato in letteratura, dando accesso a corposi dataset; lo stesso non è realizzabile per il dominio animale, dove solo poche immagini per individuo possono essere raccolte, immagini oltretutto appartenenti ad un numero limitato di soggetti (in confronto al dominio umano). As we all know, the domain of human faces has been extensively explored in the literature, giving access to substantial datasets; the same is not feasible for the animal domain, where only a few images per individual can be collected, moreover images belonging to a limited number of subjects (compared to the human domain).
Questo ha portato a cercare di trasformare le immagini tra i due domini, in modo da poter generare nuovi campioni per il dominio animale, oggetto principale della presente invenzione. This led to an attempt to transform the images between the two domains, in order to generate new samples for the animal domain, the main object of the present invention.
Pertanto il metodo rappresentato dall’invenzione parte da embedding umani ottenuti da reti già allenate per questo compito, la rete convolutiva A 102; queste reti già ampiamente allenate permettono di ottenere embedding con distanze ritenute valide; avremo così che immagini della stessa persona avranno bassa distanza tra loro, ed immagini di persone diverse avranno una elevata distanza tra loro; questo definisce una spazio latente umano in cui le distanze tra gli embedding saranno ritenute valide. Il metodo rappresentato dalla presente invenzione è composto da una innovativa fase di allenamento che utilizza immagini di entrambi i domini (umano ed animale) e, per mezzo di differenti reti neurali convolutive, permette di trasformare gli embedding del dominio umano in immagini animali. Therefore, the method represented by the invention starts from human embedding obtained from networks already trained for this task, the convolutional network A 102; these networks already extensively trained allow to obtain embedding with distances considered valid; in this way we will have that images of the same person will have a low distance between them, and images of different people will have a high distance between them; this defines a human latent space in which the distances between the embeddings will be considered valid. The method represented by the present invention is composed of an innovative training phase that uses images of both domains (human and animal) and, by means of different convolutional neural networks, allows to transform the embeddings of the human domain into animal images.
La fase di allenamento – a – delle reti neurali, illustrate in Figura 1, comprende i seguenti passaggi: The training phase - a - of the neural networks, illustrated in Figure 1, includes the following steps:
- utilizzo di embedding 103.0 presenti in uno spazio latente relativi al dominio umano; - use of 103.0 embedding present in a latent space related to the human domain;
- trasformazione degli embedding umani 103.0 in immagini animali 106 mediante una rete convolutiva B,104; - transformation of human embeddings 103.0 into animal images 106 by means of a convolutional network B, 104;
- raffinamento delle immagini generate da B attraverso una rete convolutiva C, 105, per mezzo del confronto con le immagini originali del dominio animale, 107, tramite “adversarial training”; - refinement of the images generated by B through a convolutional network C, 105, by means of comparison with the original images of the animal domain, 107, through “adversarial training”;
- esecuzione di una fase di allenamento della rete convolutiva D, 108, sulle immagini selezionate, 106.1, dalla rete convolutiva C, per l’ottenimento di embedding 103.1 delle immagini trasformate da un dominio all’altro, giacenti in un nuovo spazio latente omologo a quello del dominio umano; - execution of a training phase of the convolutive network D, 108, on the selected images, 106.1, from the convolutive network C, to obtain embedding 103.1 of the images transformed from one domain to another, lying in a new latent space homologous to that of human domination;
- ottenimento di uno o più embedding, 103.2, per ciascun individuo relativi al dominio animale mediante elaborazione di immagini animali 107 per mezzo della rete convolutiva D, 108; - obtaining one or more embeddings, 103.2, for each individual relating to the animal domain by processing animal images 107 by means of the convolutional network D, 108;
- inserimento degli embedding animali, 103.2, nel nuovo spazio latente omologo a quello del dominio umano. - insertion of the animal embeddings, 103.2, in the new latent space homologous to that of the human domain.
Gli input al sistema sono le identità dei due domini, ognuna composta da foto multiple; nella prima parte del sistema le identità umane e quelle animali sono allineate nello spazio latente. The inputs to the system are the identities of the two domains, each made up of multiple photos; in the first part of the system, human and animal identities are aligned in latent space.
In particolare, gli embedding umani vengono trasformati dalla rete convolutiva B in immagini del dominio animale, in particolare in immagini del dominio delle facce animali; in una esecuzione preferita l’invenzione si applica alle immagini delle facce umane ed animali. In particular, human embeddings are transformed by the convolutional network B into images of the animal domain, in particular into images of the domain of animal faces; in a preferred embodiment the invention is applied to images of human and animal faces.
La rete convolutiva B si comporta in modo da voler ingannare la rete convolutiva successiva C, fornendo delle immagini animali, trasformate dagli embedding umani, quanto più simili alla realtà. The convolutive network B behaves in such a way as to want to deceive the subsequent convolutive network C, providing animal images, transformed by human embeddings, as close to reality as possible.
Alla rete convolutiva C vengono fornite sia le immagini animali trasformate da un dominio all’altro, ovvero le immagini false, sia le immagini originali del dominio animale; il compito della rete C, 105, sarà quello di identificare i falsi, ovvero selezionare tra le immagini false, quelle migliori, ovvero quelle che si avvicinano maggiormente alle immagini reali del dominio animale. The convolutive network C is provided with both animal images transformed from one domain to another, or false images, and original images of the animal domain; the task of network C, 105, will be to identify the fakes, that is, to select the best ones from among the false images, that is, those that are closest to the real images of the animal domain.
Le immagini trasformate e selezionate 106.1 dalla rete C, vengono successivamente trasformate dalla rete convolutiva D 108 in embedding; questi embedding animali derivati da immagini trasformate da un dominio all’altro, preservano le distanze tra gli embedding delle immagini corrispondenti del dominio umano; si crea così un nuovo spazio latente animale omologo allo spazio latente del dominio umano. The transformed and selected images 106.1 from network C are subsequently transformed by the convolutional network D 108 into embedding; these animal embeddings derived from images transformed from one domain to another, preserve the distances between the embeddings of the corresponding images of the human domain; in this way a new latent animal space is created homologous to the latent space of the human domain.
Una volta ottenuto uno spazio latente del dominio animale omologo a quello del dominio umano, vengono sottoposte alla rete convolutiva D, 108, le immagini reali del dominio animale 107. Once a latent space of the animal domain homologous to that of the human domain is obtained, the real images of the animal domain 107 are subjected to the convolutive network D, 108.
La rete convolutiva D calcola gli embedding del dominio animale 103.2 che andranno inseriti in quello spazio latente omologo a quello del dominio umano. The convolutional network D calculates the embedding of the animal domain 103.2 that will be inserted in that latent space homologous to that of the human domain.
Gli embedding 103.2 ricavati dalle immagini reali del dominio animale 107, verranno memorizzati in banca dati 111. The embeddings 103.2 obtained from the real images of the animal domain 107 will be stored in the database 111.
Per effettuare la fase di addestramento partendo dalle immagini del dominio animale vengono utilizzate almeno quattro immagini dell’animale visto dal lato destro ed almeno quattro immagini dal lato sinistro e quattro immagini di una vista frontale dell’animale. Le immagini, in una esecuzione preferita, rappresenteranno viste della testa dell’animale. To carry out the training phase starting from the images of the animal domain, at least four images of the animal seen from the right side and at least four images from the left side and four images of a front view of the animal are used. The images, in a preferred execution, will represent views of the animal's head.
In una ulteriore esecuzione le immagini potranno rappresentare tutto il corpo dell’animale. In a further execution, the images may represent the entire body of the animal.
In questa prima fase di allenamento – a – viene utilizzata una architettura Cycle Consistency che prevede una rete antagonista (Adversarial Networks) data dalla congiunzione di un autoencoder con una rete MLP (MultiLayer Perceptron); l’obiettivo delle due reti è opposto, mentre la seconda deve identificare se un dato in input (immagine) proviene dalla prima rete o è una immagine reale, la prima vuole illudere la seconda fornendo immagini tanto più simili a quelle reali; questo aiuta nella ricostruzione di immagini più accurate rispetto all’utilizzo di un singolo autoencoder. L’allenamento delle reti neurali, effettuato secondo il metodo oggetto dell’invenzione utilizza due autoencoder e due discriminatori con finalità antagoniste (adversarial training). In this first training phase - a - a Cycle Consistency architecture is used which foresees an antagonist network (Adversarial Networks) given by the conjunction of an autoencoder with an MLP network (MultiLayer Perceptron); the objective of the two networks is opposite, while the second must identify whether an input data (image) comes from the first network or is a real image, the first wants to deceive the second by providing images that are much more similar to the real ones; this helps in the reconstruction of more accurate images than using a single autoencoder. The training of neural networks, carried out according to the method object of the invention, uses two autoencoders and two discriminators with antagonistic purposes (adversarial training).
I due autoencoder lavorano su due domini diversi: The two autoencoders work on two different domains:
- il primo riceve immagini dal dominio delle facce umane, e sintetizza uno spazio latente dove le distanze tra embedding di immagini della stessa persona devono essere basse, mentre quelle tra embedding di persone diverse alta; - the first receives images from the domain of human faces, and synthesizes a latent space where the distances between embeddings of images of the same person must be low, while those between embeddings of different people must be high;
- il secondo autoencoder riceve invece immagini dal dominio delle facce animali ed esegue lo stesso procedimento. - the second autoencoder instead receives images from the domain of the animal faces and carries out the same procedure.
In aggiunta a questi autoencoder, due discriminatori aiutano nel sintetizzare immagini ricostruite, ovvero trasformate dal dominio umano in dominio animale, più verosimili. Alla fase di allenamento segue una fase di creazione di una banca dati, – b – come illustrato in figura 2, composta dai seguenti passaggi: In addition to these autoencoders, two discriminators help to synthesize reconstructed images, i.e. transformed from human to animal domain, more likely. The training phase is followed by a phase of creating a database, - b - as illustrated in figure 2, consisting of the following steps:
- memorizzazione degli embedding animali,103.2, ottenuti in una banca dati ,111; - memorization of the animal embeddings, 103.2, obtained in a database, 111;
- creazione di una struttura a grafo,110, mediante la rete convolutiva E,109, che identifica la specifica relazione tra gli embedding animali ottenuti dal processamento delle immagini, in cui ciascun nodo 110.1 costituisce una identità animale; - creation of a graph structure, 110, by means of the convolutional network E, 109, which identifies the specific relationship between the animal embeddings obtained from the processing of the images, in which each node 110.1 constitutes an animal identity;
- definizione di una soglia per la valutazione delle metriche tra i nodi 110.1 del grafo 110. - definition of a threshold for the evaluation of the metrics between nodes 110.1 of graph 110.
In questa fase – b – le reti allenate vengono utilizzate per associare ad ogni identità animale una serie di embedding ognuno corrispondente ad una immagine dell’animale; questa fase sfrutta i risultati dell’allenamento per costruire una raccolta di embedding per le identità note (ovvero degli animali di cui si conosce l’identità). Gli embedding delle identità del dominio di interesse (animale) vengono impiegate per allenare la seconda parte del sistema a trovare una rappresentazione su grafo che possa, da pochi esempi, costruire un manifold ricco di informazioni. In this phase - b - the trained nets are used to associate each animal identity with a series of embeddings each corresponding to an image of the animal; this phase uses the results of training to build a collection of embeddings for known identities (or animals whose identity is known). The embeddings of the identities of the domain of interest (animal) are used to train the second part of the system to find a representation on a graph that can, from a few examples, build an information-rich manifold.
Gli embedding del dominio animale sono memorizzati in una banca dati; la rete convolutiva su grafi E 109, crea una struttura a grafo tra gli embedding memorizzati, in cui a ciascun nodo del grafo corrisponde un embedding del dominio animale. Animal domain embeddings are stored in a database; the convolutive network on graphs E 109 creates a graph structure among the stored embeddings, in which an embedding of the animal domain corresponds to each node of the graph.
In particolare ciascun nodo, che è un embedding, corrisponde ad una immagine di un animale; a ciascuna identità animale saranno, pertanto associati una serie di embedding, ognuno corrispondente ad una immagine dell’animale. In particular, each node, which is an embedding, corresponds to an image of an animal; therefore, a series of embeddings will be associated with each animal identity, each corresponding to an image of the animal.
A ciascuna identità animale sarà poi associata una scheda anagrafica, che risiede nella stessa banca dati, oppure in una banca dati centrale nazionale o internazionale dove si potranno reperire informazioni aggiuntive relative all’animale (allevamento, luogo di nascita, età, malattie etc..). Each animal identity will then be associated with a personal data sheet, which resides in the same database, or in a central national or international database where additional information relating to the animal can be found (breeding, place of birth, age, diseases, etc.) ).
Gli embedding salvati per ogni identità potranno essere recuperati in fase di testing di nuove immagini; ogni embedding del dominio di interesse è associato alla corrispondente identità. The embeddings saved for each identity can be recovered in the testing phase of new images; each embedding of the domain of interest is associated with the corresponding identity.
In questa prima fase di creazione della banca dati viene utilizzata l’architettura Graph Convolution. Questa architettura accetta, come input, embedding del dominio di interesse (dominio animale). Attraverso una struttura a grafo una serie di layer MLP imparano metriche di distanza in grado di valutare una percentuale di affidabilità di appartenenza delle immagini ad una o più identità. Nonostante le tecniche di Architettura con Cycle Consistency permettano di generare nuove identità partendo dal dominio delle facce umane, resta il problema di avere un numero esiguo di foto per ogni identità. In this first phase of creating the database, the Graph Convolution architecture is used. This architecture accepts, as input, embedding of the domain of interest (animal domain). Through a graph structure, a series of MLP layers learn distance metrics capable of evaluating a percentage of reliability of the images belonging to one or more identities. Although the techniques of Architecture with Cycle Consistency allow to generate new identities starting from the domain of human faces, the problem remains of having a small number of photos for each identity.
Per risolvere ciò si applicano tecniche di Few-Show-Learning su grafi, che permettono di confrontare poche foto di ogni individuo per ottenere metriche di somiglianza tra embedding. To solve this, Few-Show-Learning techniques are applied on graphs, which allow to compare a few photos of each individual to obtain similarity metrics between embedding.
A queste fasi di allenamento e creazione di una banca dati segue la fase – c – di testing di una identità, illustrata in Figura 3, composta dalle seguenti fasi: These phases of training and creation of a database are followed by phase - c - of testing an identity, illustrated in Figure 3, consisting of the following phases:
- processamento di una o più immagini di una identità animale, 112, mediante rete convolutiva D; - processing of one or more images of an animal identity, 112, by means of convolutional network D;
- calcolo di uno o più embedding dell’identità animale, 103.2; - calculation of one or more embedding of animal identity, 103.2;
- selezione dalla banca dati di embedding animali più simili a quelli dell’identità 103.3; - selection from the database of animal embedding more similar to those of identity 103.3;
- creazione di almeno una struttura a grafo, 113, degli embedding relativi all’identità e degli embedding animali più simili a quelli dell’identità mediante rete convolutiva E, 109; - creation of at least one graph structure, 113, of the embeddings relating to identity and animal embeddings more similar to those of identity through the convolutional network E, 109;
- confronto per mezzo di convoluzione sui grafi per ottenimento della distanza tra i nodi 113.1 di detto grafo 113 relativo al confronto di detta identità con quelle selezionate in banca dati 111; - comparison by means of convolution on the graphs to obtain the distance between the nodes 113.1 of said graph 113 relative to the comparison of said identity with those selected in the database 111;
- applicazione della soglia sulle distanze tra i nodi del grafo. - application of the threshold on the distances between the nodes of the graph.
Gli input al sistema in questa fase – c – sono una o più immagini di un animale da identificare. Verranno estratti gli embedding di queste immagini che verranno confrontati con quelli presenti in banca dati; a questo punto verranno identificate le identità più simili in modo da filtrare la banca dati. Le identità più simili saranno ulteriormente elaborate per mezzo della convoluzione su grafi ad opera della rete convolutiva E; più in particolare gli embedding più simili, una volta selezionati, verranno confrontati attraverso il grafo con gli embedding ottenuti dalle immagini dell’identità incognita. The inputs to the system at this stage - c - are one or more images of an animal to be identified. The embeddings of these images will be extracted and compared with those present in the database; at this point the most similar identities will be identified in order to filter the database. The most similar identities will be further elaborated by means of convolution on graphs by the convolutional network E; more specifically, the most similar embeddings, once selected, will be compared through the graph with the embeddings obtained from the images of the unknown identity.
Viene poi creata una struttura grafo mediante una serie di layer MLP per valutare una percentuale di affidabilità di appartenenza delle immagini ad una o più identità. A graph structure is then created using a series of MLP layers to evaluate a percentage of reliability of the images belonging to one or more identities.
A questo punto, a seguito dell’applicazione della soglia stabilita, si verificano due condizioni: se la distanza valutata è inferiore al valore di soglia, il nuovo nodo è associato ad una identità nota, se è superiore al valore di soglia, il nuovo nodo non è riconosciuto. At this point, following the application of the established threshold, two conditions occur: if the distance evaluated is lower than the threshold value, the new node is associated with a known identity, if it is higher than the threshold value, the new node it is not recognized.
In particolare se gli embedding sono troppo vicini a quelli di una identità già presente in banca dati, questi potranno essere associati all’identità più vicina; se risulteranno troppo distanti dalle identità già note, non vi sarà un riconoscimento e si potrà parlare di una identità sconosciuta, da inserire in banca dati come una nuova identità. In particular, if the embeddings are too close to those of an identity already present in the database, these may be associated with the closest identity; if they are too distant from the already known identities, there will be no recognition and it will be possible to speak of an unknown identity, to be entered in the database as a new identity.
Nella rappresentazione del processo di testing di Figura 3, l’embedding calcolato viene confrontato utilizzando la convoluzione sui grafi, al fine di ottenere un grafo di distanze dagli altri embedding registrati nella banca dati. In the representation of the testing process in Figure 3, the calculated embedding is compared using convolution on the graphs, in order to obtain a graph of distances from the other embeddings recorded in the database.
Il principale vantaggio della suddetta invenzione è quello di ottenere una rete neurale robusta ed affidabile capace di elaborare milioni di immagini e quindi di supportare una banca dati estesa su tutto il territorio nazionale ed internazionale. The main advantage of the above invention is that of obtaining a robust and reliable neural network capable of processing millions of images and therefore of supporting a database extended throughout the national and international territory.
Riportiamo qui di seguito altri vantaggi del metodo oggetto dell’invenzione: We report below other advantages of the method object of the invention:
- generare nuovi campioni del dominio di interesse (animale) partendo da quello delle facce umane (più vasto); - generate new samples of the domain of interest (animal) starting from that of human faces (larger);
- garantire la preservazione di alcune proprietà tra gli spazi latenti, e quindi immagini della stessa persona potranno essere trasformate in immagini dello stesso animale; - guarantee the preservation of some properties among the latent spaces, and therefore images of the same person can be transformed into images of the same animal;
- ottenere uno spazio latente nel dominio di interesse significativo, da cui procedere per l’identificazione. - obtain a latent space in the domain of significant interest, from which to proceed for identification.
Una esecuzione preferita dell’invenzione si applica ad un particolare dominio animale, ovvero al dominio di equini e bovini, dove è necessario il riconoscimento della singola identità animale. A preferred execution of the invention applies to a particular animal domain, or to the domain of equines and cattle, where the recognition of the single animal identity is required.
Il metodo può essere utilizzato per l’identificazione di qualunque specie di animali, comprendendo anche i rettili, estendendosi anche al riconoscimento di specie, applicato agli insetti. The method can be used for the identification of any species of animals, including reptiles, also extending to the recognition of species, applied to insects.
La presente invenzione comprende anche un sistema 1 per il riconoscimento biometrico univoco di un animale che utilizza il metodo precedentemente descritto; detto sistema, illustrato in Figura 4, comprende: The present invention also comprises a system 1 for the univocal biometric recognition of an animal which uses the previously described method; said system, illustrated in Figure 4, includes:
- almeno un dispositivo elettronico mobile 2 o almeno una fotocamera 3 collegabile ad almeno un PC 4, fisso o mobile, per l’acquisizione delle immagini 112 relative a ciascun soggetto animale da identificare e visualizzazione delle relative schede anagrafiche, ove risiede almeno un software per l’interazione operativa con, - almeno un server 5 ove risiede almeno un software per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini 112 acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e per la gestione della banca dati; - at least one mobile electronic device 2 or at least one camera 3 that can be connected to at least one PC 4, fixed or mobile, for the acquisition of images 112 relating to each animal to be identified and display of the relative data sheets, where at least one software for operational interaction with, - at least one server 5 where there is at least one software for training convolutional neural networks and for processing the images 112 acquired by means of the mobile electronic device and / or a camera and for managing the database ;
- almeno un dispositivo di rete 6 per la connessione di detto server 5 ad una rete esterna e/o interna. - at least one network device 6 for connecting said server 5 to an external and / or internal network.
Il sistema prevede quindi un dispositivo per poter acquisire una immagine di un soggetto animale che potrà essere uno smartphone oppure una semplice fotocamera; uno o più server svolgeranno la funzione di allenamento delle reti, elaborazione delle immagini e gestione della banca dati per il riconoscimento delle identità. The system therefore provides a device to be able to acquire an image of an animal subject which can be a smartphone or a simple camera; one or more servers will perform the function of network training, image processing and database management for identity recognition.
Il sistema 1 comprende anche un server remoto 7 ove risiede un software per l’interazione operativa con detto almeno un server 5, con detto almeno un dispositivo elettronico mobile 2 o almeno una fotocamera 3 collegabile ad almeno un PC 4, fisso o mobile e per l’allenamento delle reti neurali convolutive e per l’elaborazione delle immagini acquisite mediante il dispositivo elettronico mobile e/o una fotocamera e per la gestione di una banca dati centrale. The system 1 also comprises a remote server 7 where there is a software for the operative interaction with said at least one server 5, with said at least one mobile electronic device 2 or at least one camera 3 connectable to at least one PC 4, fixed or mobile and for training of convolutional neural networks and for the processing of images acquired by means of the mobile electronic device and / or a camera and for the management of a central database.
Il sistema prevede diverse possibili architetture di organizzazione dei server: The system includes several possible server organization architectures:
- Più server locali, equivalenti tra loro, ciascuno in grado di svolgere le stesse funzioni di allenamento, elaborazione di immagini e creazione di una banca dati locale, contenenti ciascuno un sottoinsieme della banca dati e che interagiscono tra di loro condividendo le informazioni; ogni server andrà a gestire un singolo allevamento o una singola regione ed in caso di mancato riconoscimento interrogherà i suoi omologhi; - Multiple local servers, equivalent to each other, each capable of performing the same training functions, image processing and creation of a local database, each containing a subset of the database and interacting with each other by sharing information; each server will manage a single farm or a single region and in case of non-recognition it will query its counterparts;
- Più server locali, equivalenti tra loro, ciascuno in grado di svolgere le stesse funzioni e di effettuare backup l’uno dell’altro; ogni server andrà a gestire un singolo allevamento o una singola regione ma non avrà bisogno di interrogare gli altri server omologhi in quanto saranno tutti sincronizzati in real time; - Multiple local servers, equivalent to each other, each able to perform the same functions and backup each other; each server will manage a single farm or a single region but will not need to query the other homologous servers as they will all be synchronized in real time;
- Uno o più server in grado di svolgere funzioni differenti; uno per l’allenamento delle reti neurali, uno per l’elaborazione delle immagini, uno per la gestione della banca dati ed uno per la verifica delle identità; - One or more servers capable of performing different functions; one for neural network training, one for image processing, one for database management and one for identity verification;
- Un server di livello superiore che è il server remoto 7, per la gestione di una banca dati nazionale e/o internazionale ed uno o più server locali 5, posizionati anche all’interno dell’allevamento che gestiscono una banca dati locale. - A higher level server which is the remote server 7, for the management of a national and / or international database and one or more local servers 5, also located within the farm that manage a local database.
Nel caso in cui l’utente andrà a fare una fotografia per identificare una identità ed andrà ad interrogare un server locale, magari in allevamento, in questo caso non sarà necessaria la connessione ad internet, un access point, o il collegamento via LAN permetteranno il collegamento di questi dispositivi di acquisizione o del PC al server. In the event that the user will take a photograph to identify an identity and will go to interrogate a local server, perhaps on the farm, in this case it will not be necessary to connect to the internet, an access point, or the connection via LAN will allow the connecting these acquisition devices or the PC to the server.
Nel caso del collegamento dello strumento di acquisizione ad un server non locale, sarà necessario in collegamento ad internet per mezzo di un modem router o del collegamento WiFi. In case of connection of the acquisition tool to a non-local server, it will be necessary to connect to the internet by means of a modem router or WiFi connection.
Il dispositivo di rete 6 è un modem router e/o un access point e/o switch di rete. The network device 6 is a modem router and / or an access point and / or network switch.
Questa organizzazione comprendente più server permetterà anche di elaborare in una ulteriore esecuzione, determinati sottoinsieme di animali, come per esempio, animali di una determinata età, oppure animali appartenenti ad una determinata regione oppure animali con una determinata attitudine zootecnica o animali che partecipano a determinate attività come gare, fiere, etc. This organization comprising several servers will also allow processing in a further execution, certain sub-sets of animals, such as, for example, animals of a certain age, or animals belonging to a certain region or animals with a certain zootechnical aptitude or animals that participate in certain activities. such as competitions, fairs, etc.
Il server potrà comprendere almeno un processore ed almeno una scheda grafica per il calcolo parallelo. The server may include at least one processor and at least one graphics card for parallel computing.
I server effettueranno il processo di allenamento delle reti neurali, B, C, D, ed E come rappresentato nel metodo dell’invenzione. The servers will carry out the training process of the neural networks, B, C, D, and E as represented in the method of the invention.
Il sistema, inizialmente basato sul riconoscimento biometrico degli individui da fotografie, verrà successivamente reso fruibile per il riconoscimento in real-time su flussi video. The system, initially based on the biometric recognition of individuals from photographs, will subsequently be made usable for real-time recognition on video streams.
Il sistema basato sul riconoscimento biometrico degli animali verrà successivamente ampliato con nuove funzionalità, tipo la valutazione dello stato di ingrassamento e salute dell’animale. The system based on the biometric recognition of animals will subsequently be expanded with new features, such as the assessment of the animal's fattening and health status.
Questo nuovo sistema andrà a sostituire i sistemi attualmente in uso per l’identificazione degli animali come, a titolo esemplificativo, bovini ed equini; i sistemi attualmente in uso sono le marche auricolari, i microchip sottocutanei, i boli RFID; questi sistemi hanno il grande limite di essere facilmente manomissibili, di richiedere un contatto ravvicinato con l’animale per l’installazione e poi per la lettura nella fase di re-identification, e di rappresentare un notevole costo in quanto, sebbene relativamente basso, essendo un costo unitario incide particolarmente quando si opera con grossi numeri di animali. This new system will replace the systems currently in use for the identification of animals such as, by way of example, cattle and horses; the systems currently in use are ear tags, subcutaneous microchips, RFID boluses; these systems have the great limit of being easily tampered with, of requiring close contact with the animal for installation and then for reading in the re-identification phase, and of representing a considerable cost since, although relatively low, being a unit cost is particularly important when working with large numbers of animals.
Il sistema oggetto dell’invenzione d’altro canto non richiede alcun contatto ravvicinato con gli animali, in quanto sarebbero necessarie solo alcune proiezioni dell’animale, ha un costo nullo di installazione per l’utente finale, che si dovrebbe limitare ad acquisire delle foto con lo smartphone, ha un basso costo di verifica in quanto sarebbe necessario solo lo smartphone per effettuare la fotografia e fornisce vantaggi nei confronti degli operatori in termini di tempo sia in fase di identificazione, sia in fase di applicazione dei vari sistemi di identificazione. The system object of the invention on the other hand does not require any close contact with the animals, as only some projections of the animal would be necessary, it has a zero installation cost for the end user, who should be limited to acquiring photos. with the smartphone, it has a low verification cost as only the smartphone would be needed to take the photograph and provides advantages for operators in terms of time both in the identification phase and in the application phase of the various identification systems.
Riportiamo qui di seguito i principali vantaggi del metodo e sistema di cui alla presente invenzione rispetto ai metodi di identificazione tradizionali: Below are the main advantages of the method and system of the present invention compared to traditional identification methods:
- riduzione dei tempi e dei costi per la registrazione e l’identificazione dei singoli animali; - reduction of time and costs for the registration and identification of individual animals;
- identificazione univoca e contactless degli animali: viene scattata una foto dell’animale (anche ad alcuni metri di distanza) che il sistema confronta con ognuna delle foto presenti nella banca dati su server e/o su cloud sino all’identificazione univoca; - unique and contactless identification of the animals: a photo of the animal is taken (even a few meters away) which the system compares with each of the photos in the database on the server and / or on the cloud until unambiguous identification;
- standardizzazione delle procedure di riconoscimento; - standardization of recognition procedures;
- identificazione di un animale sconosciuto in ambito ristretto: il sistema prevede la realizzazione di database locali, ad esempio per aziende allevatrici, in cui le immagini degli animali sono presenti in locale e non su cloud, ristrette solo agli animali dell’azienda; - identification of an unknown animal in a restricted area: the system provides for the creation of local databases, for example for breeding companies, in which the images of the animals are present locally and not on the cloud, restricted only to the animals of the company;
- fornitura di un “passaporto elettronico”: in un gruppo ristretto di animali noti viene verificata l’effettiva identità di un animale; l’identificazione è molto rapida e richiede bassa potenza di calcolo ed accesso alle sole immagini di un singolo animale nella banca dati; - provision of an "electronic passport": the actual identity of an animal is verified in a small group of known animals; identification is very quick and requires low computing power and access only to the images of a single animal in the database;
- stima del peso e della dimensione di un animale: attraverso l’analisi dell’immagine è possibile valutare parametri fisici dell’animale ed assegnare un “body score”; si tratta di costruire una scala di riferimento che fornisca ad esempio lo “stato di grossezza” dell’animale; questo tipo di misurazione è richiesta per assegnare un valore economico e produttivo durante le diverse fasi d’allevamento (lattazione, asciutta, gravidanza, svezzamento) ed in fase di macellazione dell’animale; - estimate of the weight and size of an animal: through image analysis it is possible to evaluate the animal's physical parameters and assign a "body score"; it is a question of building a reference scale that provides, for example, the "state of thickness" of the animal; this type of measurement is required to assign an economic and productive value during the different stages of rearing (lactation, dry, pregnancy, weaning) and during the slaughter of the animal;
- individuazione di un animale per georeferenziazione: il sistema prevede di interrogare la banca dati delle immagini in base alla posizione geografica dell’animale, cioè in base al luogo in cui viene scattata la fotografia dell’animale; se la foto viene scattata in una determinata area geografica, il sistema, per velocizzare il riconoscimento, andrà prima a verificare le immagini in banca dati relative ad animali che dovrebbero trovarsi in quella area geografica; se il matching è negativo il sistema amplierà il raggio di analisi (ad esempio da regionale a nazionale, europeo, internazionale, ecc. …); - identification of an animal by georeferencing: the system involves querying the image database based on the animal's geographical position, that is, based on the place where the photograph of the animal is taken; if the photo is taken in a specific geographic area, the system, to speed up recognition, will first check the images in the database relating to animals that should be in that geographic area; if the matching is negative, the system will broaden the range of analysis (for example from regional to national, European, international, etc.…);
- verifica di furti di bestiame, truffe nelle fiere, scambio di animali in competizioni sportive; - verification of livestock theft, fraud at fairs, exchange of animals in sports competitions;
- identificazione di specie: ad esempio di animali come vettori o serbatoio di malattie - identification of species: for example of animals as vectors or reservoirs of diseases
L’oggetto dell’invenzione è suscettibile di numerose modifiche e varianti, tutte rientranti nel concetto inventivo espresso nelle rivendicazioni allegate. The object of the invention is susceptible of numerous modifications and variations, all falling within the inventive concept expressed in the attached claims.
Tutti i particolari possono essere sostituiti da altri elementi tecnicamente equivalenti a seconda delle esigenze, senza uscire dall’ambito di tutela della presente invenzione. Anche se l’oggetto è stato descritto con particolare riferimento alle figure allegate, i numeri di riferimento usati nella descrizione e nelle rivendicazioni sono utilizzati per migliorare l’intelligenza dell’invenzione e non costituiscono alcuna limitazione all’ambito di tutela rivendicato. All the details can be replaced by other technically equivalent elements according to the needs, without departing from the scope of protection of the present invention. Although the object has been described with particular reference to the attached figures, the reference numbers used in the description and in the claims are used to improve the intelligence of the invention and do not constitute any limitation to the scope of protection claimed.
Claims (12)
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT201800000640A IT201800000640A1 (en) | 2018-01-10 | 2018-01-10 | METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES |
| PCT/IB2019/050146 WO2019138329A1 (en) | 2018-01-09 | 2019-01-09 | Method and system, based on the use of deep learning techniques, for the univocal biometric identification of an animal |
| EP19707867.8A EP3738071A1 (en) | 2018-01-10 | 2019-01-09 | Method and system, based on the use of deep learning techniques, for the univocal biometric identification of an animal |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT201800000640A IT201800000640A1 (en) | 2018-01-10 | 2018-01-10 | METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT201800000640A1 true IT201800000640A1 (en) | 2019-07-10 |
Family
ID=62089843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT201800000640A IT201800000640A1 (en) | 2018-01-09 | 2018-01-10 | METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3738071A1 (en) |
| IT (1) | IT201800000640A1 (en) |
| WO (1) | WO2019138329A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114005137A (en) * | 2021-10-23 | 2022-02-01 | 吉首大学 | Method for identifying individual identity of giant salamander by establishing giant salamander characteristic sample database |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI714057B (en) * | 2019-04-17 | 2020-12-21 | 國立臺灣大學 | Analysis system and method for feeding milk-production livestock |
| CN111768792B (en) * | 2020-05-15 | 2024-02-09 | 天翼安全科技有限公司 | Audio steganalysis method based on convolutional neural network and domain countermeasure learning |
| CN111753697B (en) * | 2020-06-17 | 2024-06-18 | 深圳巨和信息技术有限公司 | Intelligent pet management system and management method thereof |
| CN112069877B (en) * | 2020-07-21 | 2022-05-03 | 北京大学 | Face information identification method based on edge information and attention mechanism |
| CA3174258A1 (en) | 2020-10-14 | 2022-04-21 | One Cup Productions Ltd. | Animal visual identification, tracking, monitoring and assessment systems and methods thereof |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778902A (en) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | Milk cow individual discrimination method based on depth convolutional neural networks |
| CN107292298A (en) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | Ox face recognition method based on convolutional neural networks and sorter model |
-
2018
- 2018-01-10 IT IT201800000640A patent/IT201800000640A1/en unknown
-
2019
- 2019-01-09 WO PCT/IB2019/050146 patent/WO2019138329A1/en unknown
- 2019-01-09 EP EP19707867.8A patent/EP3738071A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778902A (en) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | Milk cow individual discrimination method based on depth convolutional neural networks |
| CN107292298A (en) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | Ox face recognition method based on convolutional neural networks and sorter model |
Non-Patent Citations (4)
| Title |
|---|
| ANDREW WILLIAM ET AL: "Visual Localisation and Individual Identification of Holstein Friesian Cattle via Deep Learning", 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS (ICCVW), IEEE, 22 October 2017 (2017-10-22), pages 2850 - 2859, XP033303763, DOI: 10.1109/ICCVW.2017.336 * |
| ARAM TER-SARKISOV ET AL: "Bootstrapping Labelled Dataset Construction for Cow Tracking and Behavior Analysis", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 30 March 2017 (2017-03-30), XP080753267, DOI: 10.1109/CRV.2017.25 * |
| MAHEEN RASHID ET AL: "Interspecies Knowledge Transfer for Facial Keypoint Detection", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 13 April 2017 (2017-04-13), XP080762748, DOI: 10.1109/CVPR.2017.174 * |
| PETER SKVARENINA: "Detecting facial features using Deep Learning", 2 August 2017 (2017-08-02), XP002784342, Retrieved from the Internet <URL:https://towardsdatascience.com/detecting-facial-features-using-deep-learning-2e23c8660a7a> [retrieved on 20180831] * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114005137A (en) * | 2021-10-23 | 2022-02-01 | 吉首大学 | Method for identifying individual identity of giant salamander by establishing giant salamander characteristic sample database |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019138329A1 (en) | 2019-07-18 |
| EP3738071A1 (en) | 2020-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| IT201800000640A1 (en) | METHOD AND SYSTEM FOR THE UNIQUE BIOMETRIC RECOGNITION OF AN ANIMAL, BASED ON THE USE OF DEEP LEARNING TECHNIQUES | |
| Kumar et al. | Monitoring of pet animal in smart cities using animal biometrics | |
| Crouse et al. | LemurFaceID: A face recognition system to facilitate individual identification of lemurs | |
| Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
| Kumar et al. | Face recognition for cattle | |
| Kumar et al. | Cattle recognition: A new frontier in visual animal biometrics research | |
| Kumar et al. | Face recognition of cattle: can it be done? | |
| Yao et al. | Cow face detection and recognition based on automatic feature extraction algorithm | |
| US20150327518A1 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
| Weng et al. | Cattle face recognition based on a Two-Branch convolutional neural network | |
| Zheng et al. | Individual identification of wild giant pandas from camera trap photos–a systematic and hierarchical approach | |
| Varadarajan et al. | Joint estimation of human pose and conversational groups from social scenes | |
| Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
| Higashide et al. | Are chest marks unique to A siatic black bear individuals? | |
| He et al. | Distinguishing individual red pandas from their faces | |
| Lai et al. | Dog identification using soft biometrics and neural networks | |
| US11295113B2 (en) | 3D biometric identification system for identifying animals | |
| Kumar et al. | Animal Biometrics | |
| Rocha et al. | Iris photo-identification: a new methodology for the individual recognition of Tarentola geckos | |
| Liu et al. | A tongue-print image database for recognition | |
| Kumar et al. | Deep learning model for face mask based attendance system in the era of the COVID-19 pandemic | |
| Kaur et al. | Cattle identification with muzzle pattern using computer vision technology: a critical review and prospective | |
| El-Henawy et al. | Muzzle Feature Extraction Based on gray level co-occurrence matrix | |
| CN105631394B (en) | Iris information acquisition method, iris information acquisition device and terminal | |
| Taha et al. | Arabian horse identification benchmark dataset |