Visual Similarity Search of Cattle Brands Using Deep Learning on Binary Representations
Notice bibliographique
Résumé
Identifying cattle brands is a challenging visual task due to variability in branding styles, degradation over time, and the absence of standardized, large-scale datasets. To address this, we propose a deep learning-based Content-Based Image Retrieval (CBIR) framework specifically designed for this problem. Our system matches hand-drawn or digitized query sketches of cattle brands against a reference database of binarized brand symbols using learned visual embeddings for similarity search. To support training and rigorous evaluation, we assembled the Apporteira Cattle Brand Dataset, comprising 5,233 clean binary brand templates, 1,454 hand-drawn sketches, and over 627,000 augmented images simulating real-world distortions via rotations, morphological operations, and homographic transformations. This dataset has been made publicly available to enable reproducible research and benchmarking. We evaluate classical feature descriptors, pretrained convolutional neural networks (ResNet-50, MobileNet, VGG), and a fine-tuned VGG-16 model adapted to this domain. Experiments are reported with standard CBIR metrics, including mean Average Precision (mAP) and Top-<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$k$</tex> accuracy, together with retrieval efficiency using Facebook AI Similarity Search (FAISS) to assess scalability. Our fine-tuned model achieves 79.71% Top-1 and 97.18% Top-10 accuracy, substantially outperforming generic CNN baselines and handcrafted methods. The results highlight the effectiveness of task-specific fine-tuning, showing consistent gains even when baselines perform strongly at higher ranks, and demonstrate the system's robustness to symbol variation, offering a scalable solution for livestock identification, rural security enforcement, and brand registry automation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».