Cattle Visual Behaviors (CVB)

Cattle Visual Behaviors (CVB) 数据集由澳大利亚国家大学和CSIRO创建，包含502个15秒的视频片段，记录了自然光照条件下的安格斯牛肉牛的11种可视行为。数据集通过使用计算机视觉标注工具（CVAT）和预训练的对象检测跟踪模型进行标注，旨在提高机器学习模型在牛行为识别任务中的性能。CVB数据集适用于动物科学和畜牧管理领域，特别是用于监控牛的福利、健康和生产效率，以及优化畜牧管理实践。

Cattle Visual Behaviors (CVB) dataset was created by The Australian National University and CSIRO. It contains 502 15-second video clips that document 11 visual behaviors of Angus beef cattle under natural lighting conditions. The dataset was annotated using the computer vision annotation tool (CVAT) and a pre-trained object detection and tracking model, aiming to improve the performance of machine learning models for cattle behavior recognition tasks. The CVB dataset is applicable in the fields of animal science and livestock management, particularly for monitoring cattle welfare, health and production efficiency, as well as optimizing livestock management practices.

搜集汇总

数据集介绍

构建方式

在畜牧业智能化发展的背景下，CVB数据集的构建采用了多阶段协同标注策略。研究团队在自然光照条件下，于25米×25米的实验场地四角部署高分辨率摄像机，采集了八头安格斯肉牛的真实活动视频。原始视频被分割为502段15秒的片段，每段包含450帧图像。为提升标注效率，首先采用预训练的YOLOv7目标检测模型对牛只进行初步定位，再通过Botsort多目标跟踪算法生成个体运动轨迹。领域专家借助计算机视觉标注工具对检测框与轨迹进行人工校验与修正，同时为每帧中的每头牛标注十一种视觉可感知行为，最终形成包含空间定位与行为标签的精细化数据集。

特点

CVB数据集的核心特征体现在其真实性与系统性。所有视频均在自然光照与开放牧场环境下采集，有效避免了受控环境带来的数据偏差，提升了模型的泛化能力。数据集涵盖放牧、行走、奔跑、站立反刍、躺卧反刍、站立休息、躺卧休息、饮水、理毛、其他及隐藏共十一种互斥行为，全面反映了肉牛的关键活动谱系。数据分布呈现真实世界的长尾特性，例如放牧行为占比达39%，而饮水、理毛等行为占比不足5%，这种自然不平衡性为开发鲁棒的分类模型提供了挑战性基准。此外，数据集中包含了光照变化、遮挡、多视角及行为转换等复杂场景，增强了数据集的实用价值与科研深度。

使用方法

CVB数据集适用于视频理解与动物行为计算研究。研究者可将其转换为原子视觉行动格式，以适配如SlowFast等主流行为识别模型的训练与评估。数据集提供了每头牛在每帧中的边界框坐标、唯一身份标识及行为标签，支持端到端的检测、跟踪与分类联合任务。在模型开发中，可利用其真实的长尾分布评估算法对稀有行为的识别性能。数据集的公开旨在促进畜牧业监控、动物福利评估及精准养殖等领域的算法创新，研究者可通过划分训练集与测试集，开发能够应对自然场景中遮挡、光照变化及多目标交互的稳健机器学习模型。

背景与挑战

背景概述

在畜牧管理与动物行为学领域，精准识别牛只行为对于监测其健康、福利及生产效率具有关键意义。随着计算机视觉技术的演进，基于视频的行为分析成为研究热点，然而现有数据集往往规模有限、标注不完善或采集环境受限，制约了机器学习模型的泛化能力。为此，澳大利亚国立大学与CSIRO的研究团队于2023年发布了牛只视觉行为数据集（CVB），该数据集包含502段自然光照下拍摄的15秒视频片段，标注了放牧牛群的11类可视行为，旨在为牛只行为识别提供高质量、真实场景下的基准数据，推动畜牧智能化管理的发展。

当前挑战

CVB数据集致力于解决自然场景下牛只行为识别的核心挑战：牛只外观相似性高、相互遮挡频繁，且光照变化与相机视角差异增加了行为分类的难度；同时，行为类别呈现长尾分布，如采食行为占比显著高于饮水或理毛等罕见行为，导致模型对少数类别的识别准确率不足。在数据构建过程中，研究团队面临标注效率与准确性的平衡问题：尽管采用预训练的YOLOv7检测模型与Botsort跟踪算法初步定位牛只轨迹，仍需领域专家手动修正约29%的边界框与行为标签，以应对复杂场景中的误检与轨迹断裂，这一过程凸显了大规模动物行为数据标注的资源密集性挑战。

常用场景

经典使用场景

在畜牧业与动物行为学领域，精准监测牛群行为对于评估其健康与福利至关重要。CVB数据集通过提供自然光照条件下采集的502段视频片段，并标注了包括放牧、行走、反刍等十一种视觉可感知行为，为机器学习模型在真实牧场环境中的行为识别研究奠定了数据基础。该数据集最经典的使用场景在于训练和验证视频动作识别算法，例如采用SlowFast网络对牛只行为进行时空定位与分类，从而实现对放牧牛群日常活动的自动化监测与分析。

衍生相关工作

围绕CVB数据集，研究者已开展多项经典工作。例如，将数据集转换为AVA格式并利用SlowFast等动作识别模型进行行为分类与评估，验证了在复杂自然场景下对常见行为的识别可行性。同时，该数据集也促进了针对动物特定行为的检测与跟踪算法研究，如结合YOLOv7与Botsort进行牛只定位与轨迹追踪，这些工作为后续开发更高效、能处理遮挡与行为交互的跨物种行为分析模型提供了重要参考。

数据集最近研究

最新研究方向

在精准畜牧业领域，CVB数据集的推出为基于视频的牛只行为识别研究注入了新的活力。该数据集以其在自然光照条件下采集的502段视频片段及11种视觉可感知行为的精细标注，有效弥补了现有数据在规模、环境真实性与标注完整性方面的不足。当前研究前沿聚焦于利用先进的动作识别模型如SlowFast，结合YOLOv7与Botsort等预训练检测与跟踪算法，以应对自然场景中牛只遮挡、光照变化及行为长尾分布等挑战。热点方向包括将数据集转换为AVA格式以支持多目标交互行为分析，并探索跨域适应与少样本学习技术，旨在提升对饮水、梳毛等低频行为的识别精度。这些进展不仅推动了计算机视觉在动物行为学中的应用深化，也为优化牲畜健康监测、提升牧场管理效率提供了可靠的技术基石，具有显著的学术价值与产业潜力。

相关研究论文

• CVB: A Video Dataset of Cattle Visual Behaviors

  澳大利亚国家大学 · 2023年