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

本文提出使用计算机视觉模型和后处理技术来创建一个完全自动的 Photo-identification (photo-id) 识别系统，该系统可以根据所有可用信息提供最可能的匹配，无需数据预处理，用于监测海洋中哺乳动物种群。系统通过目录相似性比较，能够处理以前未编目的个体，并标记这些个体以进行进一步调查。该文研究表明，系统在多个现实生活中的 Photo-id 相册上的表现非常好。

Dec, 2022

本研究使用计算机视觉领域的深度学习技术，包括目标检测、跟踪、分割和边缘检测，尝试解决动物进入人类居住区的自动检测问题。该研究提出了一种半自动的合成数据生成方法，以训练在真实环境下进行部署的模型。实证结果表明，检测器无法从动物在其自然栖息地的训练图像中推广到人造环境的部署场景。本研究提供了用于进一步研究的代码和数据。

Oct, 2019

本研究提出了一种方法来排除训练和评估阶段的背景偏差，通过在动物重新识别中使用无监督技术实现特征对齐和姿势变化，从而在 ATRW、YakReID-103 和 ELPephants 等关键动物重新识别数据集上取得了卓越的结果。

May, 2024

开发了一个自动检测和识别老虎、斑马和美洲豹等有斑点物种个体的框架，使用了 Faster-RCNN 目标检测框架来有效地在图像中检测动物，在动物的侧面提取 AlexNet 特征并训练逻辑回归 (或线性 SVM) 分类器来识别个体。在相机陷阱老虎图像数据集上测试和评估后发现，和最先进的识别技术相比，我们的框架在检测结果方面具有完美的表现，在个体的识别方面，表现相似或更好。

May, 2020

通过使用计算机视觉和深度学习的新方法，生态学家可以提取图像 / 视频数据中的动物并训练深度学习分类器以重新识别动物个体，从而从根本上改变相机陷阱数据的分析方式并革命动物生态学方法。

Nov, 2018

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

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

本文结合目标部位定位、CNN 特征和支持向量机分类，建立了一个系统，通过少量的图片来识别大量的大象。系统在含有 2078 张 276 只大象的数据集上测试，最高测试准确率达到 56％和 80％，采用多张图片技术后测试准确率为 74％和 88％。

Dec, 2018

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