Type de document : résumé de conférence publié dans IDEEE Computer Society Digital Library
Auteurs : H. Hummel, F. Pessanha, A. Salah, T. van Loon, R. Veltkamp
Résumé en français (traduction) : La reconnaissance de la douleur chez les équidés (tels que les chevaux et les ânes) est essentielle pour leur bien-être. Cependant, cette évaluation dépend uniquement de la capacité de l’observateur à repérer les signes visibles de la douleur puisqu’il n’y a pas de communication verbale. L’utilisation des échelles de grimaces s’est avérée efficace pour détecter la douleur, mais elle prend du temps et dépend également du niveau de formation des évaluateurs ; sa validité n’est donc pas facilement assurée. Il est nécessaire d’automatiser ce processus pour faciliter la formation. Ce travail fournit un système de prédiction de la douleur chez les chevaux, basé sur les échelles de grimaces. Le pipeline trouve automatiquement des points de repère sur les têtes des chevaux avant la classification. Nos expériences montrent que l’utilisation de différents classificateurs pour différentes attitudes du cheval est nécessaire, et la fusion de différentes caractéristiques améliore les résultats. Nous étudions en outre le transfert de modèles basés sur le cheval aux ânes et illustrons la perte de précision dans la détection automatique des points de repère, et de prédiction de la douleur qui en découle.
Résumé en anglais (original) : Recognition of pain in equines (such as horses and donkeys) is essential for their welfare. However, this assessment depends solely on the ability of the observer to locate visible signs of pain since there is no verbal communication. The use of Grimace scales is proven to be efficient in detecting pain but is time-consuming and also dependent on the level of training of the annotators and, therefore, validity is not easily ensured. There is a need for automation of this process to help training. This work provides a system for pain prediction in horses, based on Grimace scales. The pipeline automatically finds landmarks on horse faces before classification. Our experiments show that using different classifiers for different poses of the horse is necessary, and fusion of different features improves results. We furthermore investigate the transfer of horse-based models for donkeys and illustrate the loss of accuracy in automatic landmark detection and subsequent pain prediction.
