开式牛枪口识别：泄漏控制基准和评估协议

可靠的个体牛识别支持疾病监测、疫苗接种记录、饲养管理和牲畜保险。尽管牛口吻提供了稳定的、非接触式的生物识别，但现有的口吻识别系统在很大程度上假设了一组封闭的登记动物，限制了它们的实际部署。我们将牛口吻生物识别技术重新表述为一个开放集、基于图库的识别问题，它可以拒绝以前未见过的动物，并支持增量注册，而无需模型重新训练。我们引入了一种基于身份不相交分割、每折叠再训练、保留阈值校准、验证重复去除和引导置信区间的泄漏控制评估协议。我们使用两种对比的嵌入配置来评估该框架：混合 CNN-ViT 度量学习模型和 MegaDescriptor-L 基础模型。在预言机阈值选择下，混合模型在目标误接受率为 10^(-1)、10^(-2) 和 10^(-3) 时分别实现了 98.3%、96.4% 和 93.6% 的检测和识别率，而 MegaDescriptor-L 实现了 99.3%、98.1% 和 96.1%。然而，可部署的阈值校准揭示了预言机和校准性能之间的显着差异：混合模型在 1% 的目标下实现了 1.03% 的错误接受率，而 MegaDescriptor-L 达到了 2.44%。增量注册进一步使单张参考图像的 Rank-1 准确率达到 91% 以上，八张参考图像的 Rank-1 准确率高达 97.3%，而无需重新训练模型或降低现有图库的性能。这些结果表明，阈值校准、泄漏控制和嵌入质量对于可靠的开放式牛识别至关重要，并为面向部署的动物生物识别系统提供了实用的评估框架。