《Smart Agricultural Technology》：FlowReID - An Integer Programming Approach to Re-identification in Livestock Tracking Using Quantum and Classical Optimization
编辑推荐：
准确跟踪个体动物对于精准畜牧业至关重要，能够实现健康监测、行为分析和表型分析。由于频繁的遮挡、密切的互动以及视觉上相似的动物，家畜环境中的多目标跟踪具有挑战性。在本研究中，研究人员提出了一种针对性的后处理重识别方法 FlowReID，该方法扩展了 BoT-SO
准确跟踪个体动物对于精准畜牧业至关重要，能够实现健康监测、行为分析和表型分析。由于频繁的遮挡、密切的互动以及视觉上相似的动物，家畜环境中的多目标跟踪具有挑战性。在本研究中，研究人员提出了一种针对性的后处理重识别方法 FlowReID，该方法扩展了 BoT-SORT 跟踪框架，使其适用于量子计算的优化。为此，研究人员将 reID 问题表述为二进制线性规划 (BLP)，并随后将其重新表述为二次无约束二值优化 (QUBO)，从而可以使用经典求解器、模拟退火或量子退火进行优化。在来自8个摄像头视角的16头荷斯坦弗里生奶牛的视频序列上的评估表明，与标准的 Ultralytics reID 模块相比，FlowReID 持续提高了身份一致性，将身份切换 (IDSW) 次数从9次减少到5次，同时提高了整体的多目标跟踪指标，如 HOTA（从89.7提高到90.8）、MOTA（从95.4提高到96.3）和 IDF1（从96.0提高到97.4）。尽管对量子求解器进行了评估，但在当前的量子硬件限制下，它们在速度或准确性上均未超越经典方法。虽然所提出的算法在公式化角度已具备量子就绪特性，但研究人员并未观察到量子优势。尽管如此，这项工作为在量子兼容的优化框架中实施精准畜牧业多目标跟踪提供了概念验证。随着量子硬件的不断成熟，这种公式化使得能够直接转移到未来的量子或混合求解器上。由于 FlowReID 也使用经典优化求解器实现，因此研究人员新开发的方法可以在不需要访问量子计算硬件的情况下进行部署。
【研究背景、问题与意义】
精准畜牧业的发展依赖于多目标跟踪 (MOT，一种计算机视觉任务，旨在检测并跟踪场景中所有感兴趣的目标) 技术来同时监测复杂环境中的多个动物，这对于动物管理、健康监测、行为分析以及育种程序中的表型评估至关重要。目前，基于检测的跟踪方法是主流，通常结合 You Only Look Once (YOLO，一种目标检测算法) 和 Simple Online and Realtime Tracking (SORT，一种简单在线实时跟踪算法) 或其增强版 BoT-SORT (一种结合了摄像机运动建模和外观特征的跟踪算法)。然而，在密集的养殖环境中，动物之间的频繁遮挡、密切互动以及视觉上的高度相似性，导致检测丢失、轨迹重新初始化或身份切换等问题频发。尽管现有的重识别 (reID，旨在恢复丢失或切换的身份以保持身份一致性的方法) 技术试图通过外观或几何特征恢复丢失的身份，但在外观相似的动物群体中，外观特征的作用受限，reID 变成了一个重关联问题。此外，随着跟踪对象数量的增加，身份关联的计算复杂度呈指数级增长，这促使研究人员探索可能提供计算优势的量子算法。
【研究内容、结论与意义】
为探索新的计算优势，研究人员开展了将量子计算应用于精准畜牧业的研究。他们提出了一种名为 FlowReID 的靶向后处理 reID 方法，该方法扩展了 BoT-SORT 跟踪框架，使其能够利用量子计算进行优化。研究结果表明，FlowReID 在各项评估指标上均优于现有的 Ultralytics reID 模块，显著提高了轨迹身份的一致性并减少了身份切换。尽管当前量子求解器在速度和准确性上未超越经典方法，但该研究作为概念验证，证明了在量子兼容的优化框架中实施多目标跟踪的可行性。这一研究具有重要意义，它为精准畜牧业中多目标跟踪的优化提供了新思路，并为未来量子硬件成熟后直接转移至量子或混合求解器奠定了基础。该论文发表在《Smart Agricultural Technology》上。
【关键技术方法】
研究人员主要采用了整数规划与量子优化相结合的技术方法。首先，将重关联问题表述为二进制线性规划 (BLP)，将连续帧间的检测匹配建模为最小成本网络流问题，并使用交并比 (IoU，两个边界框的交集面积除以它们的并集面积) 作为成本指标，定义为1?IoU。随后，为适配量子退火，将 BLP 转换为二次无约束二值优化 (QUBO，一种在二值变量上定义且无显式约束的二次目标函数) 模型，通过引入惩罚项处理等式与不等式约束。在实现上，FlowReID 作为后处理模块集成于 YOLOv8 与 BoT-SORT 流水线中，当检测重叠或轨迹异常时触发。研究使用了来自 Wageningen Dairy Campus 的16头荷斯坦弗里生奶牛的8个视频视角数据进行验证，并对比了经典求解器 (CL)、模拟退火 (SA)、量子退火 (QA) 及结合最速下降法的量子退火 (QA+SD) 的性能。
【研究结果】
re-identification modules 的基准测试
研究人员通过在评估数据集上对比不同 reID 模块的性能得出结论。检测 YOLO 模型达到了0.98的精确率和召回率，0.5阈值下的平均精度为0.985，证明了其检测奶牛的有效性。启用 FlowReID 后，所有多目标跟踪评估指标均得到提升。与未使用 reID 或使用 Ultralytics reID 相比，FlowReID 将 IDSW 从11次或9次减少至5次，分别降低了54%和44%。同时，HOTA (Higher Order Tracking Accuracy，高阶跟踪准确度) 从89.66提升至90.81，MOTA (Multi-Object Tracking Accuracy，多目标跟踪准确度) 从95.44提升至96.27，IDF1 也得到改善。除一个录制视频外，各项跟踪指标在单次录制基础上均有提升，且该改善基于二项式检验具有统计学显著性。
求解器的基准测试
通过对提取的19个 reID 序列进行四种求解器的对比测试得出结论。CL、SA 以及 QA+SD 均能收敛，而未结合后处理的 QA 在19个样本中有9个未能收敛。在求解时间上，CL 耗时最短（0.028秒）。QA（含后处理）的执行时间约为0.056秒，而 SA 耗时四倍。在包含所有样本的比较中，SA 和 QA（含后处理）的总求解时间显著增加，这归因于更难实例的嵌入时间延长，其中 QA+SD 增至2.624秒。
【讨论与结论】
在讨论与结论部分，研究人员总结了 FlowReID 相比于 Ultralytics reID 的优势，指出前者作为靶向后处理步骤，专门针对可能发生身份切换的事件，而后者在跟踪期间连续运行。关于量子计算的应用，分析表明当前的量子工具在处理此类问题时已达到经典工具的期望水平，限制了量子计算在此特定场景中的影响。尽管如此，量子退火在处理大规模、复杂配置的 NP-hard 问题上仍具潜力。由于当前量子硬件的限制，该研究仅作为概念验证，采用了简化假设（如所有奶牛均在初始帧中）。这些简化主要是为了便于实现基于量子的优化流水线，但在传统硬件上扩展 FlowReID 和更鲁棒的后处理触发器相对容易。据研究人员所知，这是家畜科学领域首次使用实际量子硬件进行的实际应用。研究得出结论，FlowReID 在提升多目标跟踪指标方面具有价值，且其量子兼容的公式化为未来量子或混合求解器的发展提供了直接转移的途径。
