重点应用
所提出的框架能够通过面部图像实现无接触、无标签的个体牛只身份识别，并可在农场离线部署，用于溯源、牛群登记和疾病监测。当动物未被登记时，系统会拒绝给出回答而非强行断言身份；同时，每次决策均附带可视化归因图和人类可读的解释性描述，作为可审计的记录。
摘要
个体牛只身份识别是精准畜牧业中实现溯源、遗传管理和疾病监测的基石。耳标和RFID仍是目前的主流做法，但面临脱落、篡改和动物福利方面的隐患，这促使人们寻求无接触的活体识别替代方案。大多数用于此任务的深度学习系统均在闭集假设下优化识别准确率，为其解释提供的量化证据有限，且未将阈值选择与最终评估分离开来。我们提出了一种可离线部署、可解释的牛只身份识别框架，该框架整合了使用ArcFace训练的ConvNeXt-Tiny骨干网络、基于余弦相似度的开集决策机制、Grad-CAM归因以及本地托管的视觉-语言模型。我们采用一种将训练、登记、阈值选择与测试角色分离的评估协议，使得每个报告数字成立的条件清晰明确。在一个公开可用的牛只面部数据集中，300个身份中有99个完全排除在训练之外，登记图库与训练图像不重叠，决策阈值在开发集上选定并在测试集评分前锁定。在128×128像素图像上，针对343个已知测试查询和478个未知测试查询，该框架的Top-1准确率为98.25%，已知与未知的ROC-AUC为0.9887，检测等错误率为4.59%。在高安全性操作点下，误接受率为2.72%，且在所有受检阈值下，误识别率均为零。置信区间通过身份级别而非图像级别的重采样获得，这使得误接受率的区间宽度扩大了2.2倍。在十六种配置上的消融实验（在相同划分上重新训练）表明，文献中通常认为必需的鼻部聚焦裁剪实际上反而适得其反；定量解释指标显示，模型的证据分布在整个面部区域，而非集中在鼻部区域。
