Few-Shot Learning Para Escore De Condição Corporal Em Bovinos: Impacto Do Pré-Treinamento Com Masked Autoencoders E Dinov2 Sobre Um Vision Transformer

Título do Trabalho

FEW-SHOT LEARNING PARA ESCORE DE CONDIÇÃO CORPORAL EM BOVINOS: IMPACTO DO PRÉ-TREINAMENTO COM MASKED AUTOENCODERS E DINOV2 SOBRE UM VISION TRANSFORMER

Autores

Max Hiroito Tieti
Roberto pereira de freitas neto
Allan Rios Bezerra

Modalidade

Resumo I Fórum Brasileiro de Pecuária de Precisão, IA e Sustentabilidade

Área temática

1.1) Pecuária de Precisão e IA

Data de Publicação

28/08/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/anais-ecpantanaltech/1630495-few-shot-learning-para-escore-de-condicao-corporal-em-bovinos--impacto-do-pre-treinamento-com-masked-autoencoder

ISSN

Palavras-Chave

Escore de Condição Corporal; Aprendizado Auto-Supervisionado; Few-Shot Learning; Vision Transformer; Masked Autoencoders; DINOv2; Pecuária de Precisão.

Resumo

A avaliação do Escore de Condição Corporal (ECC) é uma ferramenta importante para o manejo nutricional e reprodutivo de rebanhos bovinos, mas sua automatização em larga escala é dificultada pela escassez de dados rotulados e pelo custo da anotação especializada. Este trabalho investiga o uso de pré-treinamento auto-supervisionado como estratégia para mitigar essa limitação em um cenário de aprendizado com poucos exemplos (few-shot learning). Foram comparadas três estratégias de inicialização de um backbone Vision Transformer (ViT-Small): (i) uma linha de base sem pré-treinamento (inicialização aleatória), (ii) pré-treinamento via Masked Autoencoders (MAE) sobre um conjunto de aproximadamente 50 mil imagens não rotuladas de bovinos, e (iii) um modelo DINOv2 pré-treinado em ImageNet, com ajuste fino parcial dos dois últimos blocos do transformer. As estratégias de linha de base e MAE foram avaliadas por meio de uma sonda linear (linear probe) sobre o backbone congelado, enquanto o DINOv2 foi avaliado com ajuste fino parcial e taxa de aprendizado diferenciada. Cada configuração foi treinada com N = {20, 30, 50, 100} exemplos rotulados, em cinco repetições com diferentes sementes aleatórias, sobre um esquema de classificação de ECC em 5 classes (escala inteira de 1 a 5). Os resultados aqui apresentados são preliminares e correspondem a uma rodada inicial de experimentos, mas já indicam tendências consistentes entre as estratégias avaliadas. O modelo DINOv2 obteve desempenho consistentemente superior e crescente com o número de exemplos, atingindo acurácia de 62,8% (± 3,6 p.p.) com N=100, frente a 29,8% (± 3,0 p.p.) do MAE e 24,5% (± 2,7 p.p.) da linha de base. O pré-treinamento MAE produziu uma melhora modesta, porém consistente, em relação a características aleatórias (de +2,3 a +5,3 pontos percentuais de acurácia ao longo dos valores de N), sugerindo que o pré-treinamento auto-supervisionado em imagens de bovinos captura informação útil, ainda que limitada, para a tarefa de ECC. Observou-se ainda que as estratégias com backbone congelado (linha de base e MAE) apresentam ganhos marginais com o aumento do número de exemplos rotulados, enquanto o DINOv2, com ajuste fino parcial, continua a melhorar de forma expressiva — sugerindo que a adaptação das representações ao domínio bovino é tão ou mais relevante do que a quantidade de exemplos rotulados disponíveis. Em conjunto, os resultados preliminares reforçam o potencial de modelos de fundação pré-treinados em larga escala (DINOv2) para tarefas pecuárias com poucos dados, ao mesmo tempo em que indicam que o pré-treinamento auto-supervisionado específico de domínio (MAE), nas condições avaliadas, oferece ganhos modestos frente à inicialização aleatória. Os resultados indicam que, nas condições avaliadas, a escala do pré-treinamento importa mais do que sua especificidade de domínio — conclusão com implicações práticas para o custo de implantação de sistemas de avaliação automatizada de ECC.

Título do Evento: II Encontro Técnico-Científico do Pantanal Tech MS 2026
Cidade do Evento: Aquidauana
Título dos Anais do Evento: Anais do Encontro Técnico-Científico do Pantanal Tech MS
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

TIETI, Max Hiroito; NETO, Roberto pereira de freitas; BEZERRA, Allan Rios. FEW-SHOT LEARNING PARA ESCORE DE CONDIÇÃO CORPORAL EM BOVINOS: IMPACTO DO PRÉ-TREINAMENTO COM MASKED AUTOENCODERS E DINOV2 SOBRE UM VISION TRANSFORMER.. In: . Disponível em: https//www.even3.com.br/anais/anais-ecpantanaltech/1630495-FEW-SHOT-LEARNING-PARA-ESCORE-DE-CONDICAO-CORPORAL-EM-BOVINOS--IMPACTO-DO-PRE-TREINAMENTO-COM-MASKED-AUTOENCODER. Acesso em: 29/08/2026