该研究比较了不同特征在小牛行为分类中的表现，发现ROCKET与RidgeClassifierCV组合的准确率最高（0.77）。研究还利用机器学习算法监测奶牛数字皮炎（DD），实现早期检测和管理，降低DD发病率。通过深度学习提取运动特征，自动检测跛行，分类准确率从76.6%提高至80.1%。研究表明，多传感器数据显著提升动物行为分类性能。

该文综述了基于计算机视觉与深度学习的牛只监测研究：利用神经网络从视频中识别奶牛跛行、体重与个体身份，并以口印和毛皮花纹区分牛只；CattleEyeView数据集支持计数、检测、姿态估计与跟踪；三流CNN可实时识别肉牛交互行为；机器学习结合行为传感器数据可提前预警数字皮炎，第0天检测准确率79%，提前两天预测准确率64%。