本文论述了如何通过使用深度学习方法对相机陷阱图像进行自动化数据分析，演示了以 Faster R-CNN 和 YOLO v2.0 作为分类器识别、量化和定位相机陷阱图像中的物种，进而应用于生态研究。结果显示 Faster R-CNN 的分类准确率高达 93.0％，取得了很好的效果。

Mar, 2018

本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

Oct, 2019

野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张 “快照大草原” 数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

Mar, 2017

本文阐述了野生动物种群监测中的探照灯自动采集引进了大量图像数据，使用目标检测技术识别和计算每个物种个体数时需要考虑时空因素以及个体重新识别，同时描述了一个跨地区的物种分类和数量计算的挑战。

May, 2021

这篇研究论文提出了一种基于深度学习和人类协作的相互迭代的方法，能够学习野生动物图像数据的长尾分布，有效提高了相较于现有方法人类注释工作量的减轻程度，并将深度学习由一个相对低效的后注释工具转变为一种始终保持高效模型更新的协作注释工具。

May, 2021

使用相机陷阱监测动物是生态学家全球使用的一种高效且无创的方法，通过深度学习和计算机视觉的最新进展，可以自动化这一过程，但是在将这些模型应用于世界其他地方独立收集的图像时，存在着泛化性的障碍。在此，我们使用深度主动学习工作流程，并训练一个适用于在香港收集的相机陷阱图像的模型。

Mar, 2024

展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

Feb, 2019

使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

Mar, 2016

这篇文章介绍了人员再识别技术及其发展历史，对手工算法和深度学习算法在画面和视频再识别任务中的表现进行了概述，描述了未来方向和需要提高的问题。

Oct, 2016

研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

Feb, 2019