Advancing Pet Biometric Identification: A State-of-the-Art Unified Framework for Dogs and Cats
Notice bibliographique
Résumé
The growing integration of companion animals, such as dogs and cats, into households and society, alongside increasing policies and laws for pet management, necessitates reliable identification systems. Traditional methods, such as collars, microchips, and tattoos, pose issues such as invasiveness, the need for specialized scanners, and the potential for loss or error. This study introduces an AI-powered biometric identification system using smartphone images to offer a convenient and accessible alternative. We present a unified framework incorporating two advanced models: Dog Nose Network Version 2 (DNNetV2) for dog nose-print recognition and Cat Face Network (CatFaceNet) for cat facial identification. DNNetV2, the second iteration of our dog nose identification model, enhanced by the Tiny Vision Transformer and a novel MagFace-based loss function, achieves 99.8% Rank-1 identification accuracy and 99.62% verification accuracy. Similarly, CatFaceNet, leveraging human facial recognition techniques and our advancements in DNNetV2, achieves 99.96% Rank-1 identification accuracy and 99.26% verification accuracy. This comprehensive system demonstrates robust, high-performance identification for both dogs and cats, with potential applications in national pet registry, pet insurance, veterinary care, and lost pet recovery. Our unified solution establishes a new benchmark in pet biometric identification, ensuring exceptional reliability and performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».