PB-DETR：群养生猪多行为识别的自适应液体神经网络编码器与动态监督框架

方法

引入液体神经网络改进Transformer编码器，结合多尺度特征交互与动态监督。

发现

模型在群养生猪多行为识别中mAP达0.893，跨场景稳定性较好。

机会点

可探索液体神经网络在其它畜禽行为识别中的泛化能力及轻量化部署。

长江大学计算机科学学院研究生郭宇衡作为第一作者，在计算机与农业交叉领域顶级期刊《Computers and Electronics in Agriculture》发表题为PB-DETR: multi-behaviour recognition of group-housed pigs with adaptive liquid neural network encoder and dynamic supervision的研究论文。长江大学智慧农业交叉创新研究中心主任、计科学院詹炜教授为通讯作者。研究将液体神经网络机制引入Transformer编码器，设计自适应液体时间常数增强模块，构建多尺度特征交互和动态质量感知优化策略，进而降低模型对固定背景信息的依赖。基于PB-DETR框架构建的模型平均精度(mAP)达到0.893，参数量为14.58M，计算量为49.12GFLOPs；在不同养殖场景之间的测试中表现出较好稳定性。