Feature extraction and lightweight methods for cattle facial recognition

方法

改进ShuffleNetv2加混合注意力MEM，结构化剪枝与多教师知识蒸馏。

发现

在三个公开数据集上实现有竞争力的精度-效率权衡。

机会点

可探索多教师互补性量化与掩码蒸馏在更多畜禽面部识别的迁移与边缘部署。

当前智慧农业中的牛脸识别流程仍存在精度差距和模型臃肿问题。我们提出了一种端到端框架，将增强特征提取与结构化压缩相结合。骨干网络DSFFNet对ShuffleNetv2进行了重新设计，引入混合并行注意力模块（MEM），融合空间线索与坐标线索，增强了对遮挡和姿态变化的鲁棒性。轻量级学生网络L-DSFFNet首先通过结构化剪枝进行瘦身，然后通过多教师知识蒸馏进行精炼。尽管多教师蒸馏已在其他研究中得到应用，我们量化了教师互补性，并引入了一种专为牛脸设计的掩码增强特征蒸馏目标。该流程虽无架构层面的创新，但在三个公开数据集上实现了具有竞争力的精度-效率权衡，凸显了其实际应用价值。