提出了一个名为 MammalNet 的新大规模动物行为数据集，包括 173 种哺乳动物的 17 个目、69 个科，该数据集涵盖了过去动物行为研究中关注的 12 种高级动物行为，并在其上建立了三种基准。

Jun, 2023

提出了一个包含大量标注的动物面部数据集，可用于面部对齐、检测和细粒度识别等多项应用，尤其对监测动物面部行为具有重要的启示作用，有助于改善动物医疗保健并推动计算机视觉算法相关技术的进步

Sep, 2019

引入一个大型、多样化的浣熊行为识别视频数据集，包括群体社交互动、相机视野内个体的跟踪、不同光照条件等，共包括来自新西兰惠灵顿动物园的 20 个视频和 15 个未注释的视频，共计 848,400 个已注释帧。

Jun, 2023

本研究提出了一种基于序列分析方法对野生动物数据进行行为注释，特别是对社会群体的集体行为进行分类的方法，并在真实数据集上进行了评估，显示出相比基线方法显著的准确度提高。

Jul, 2019

本论文介绍了 ChimpBehave，一个包含超过 2 小时视频（约 193,000 帧）的新型数据集，用于动作识别，通过与现有数据集对齐，可以研究领域自适应和跨数据集泛化方法，并使用最先进的基于 CNN 的动作识别模型提供了首个基准结果。

May, 2024

通过动物栖息地调查，了解和保护陆地生物多样性的关键，而通过识别动物的足迹可以获取有关物种分布、数量和行为的宝贵信息。由于缺乏动物足迹图像，无法将计算机视觉的先进技术应用于动物跟踪，为此我们引入了 OpenAnimalTracks 数据集，这是第一个公开可用的标记数据集，旨在促进动物足迹的自动分类和检测。该数据集包含来自 18 种野生动物的多种足迹。我们还建立了物种分类和检测的基准，并展示了使用代表性分类器和检测模型进行自动足迹识别的潜力。我们发现 SwinTransformer 在平均准确率方面达到了 69.41% 的令人期待结果，Faster-RCNN 的 mAP 为 0.295。希望我们的数据集为自动动物跟踪技术铺平道路，增强我们保护和管理生物多样性的能力。我们的数据集和代码可在此 https 网址上获得。

Jun, 2024

提出了 Animal3D 数据集，为哺乳动物的 3D 姿态和形状估计提供了全面的数据集，实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

PanAf20K 数据集是迄今为止最大、最多样化的自然环境中大猩猩的开放视频数据集，涵盖了非洲热带地区的 18 个实地点的约 20,000 个照相机陷阱视频的 700 万多帧。该数据集的丰富注释和基准使其适用于训练和测试多种具有挑战性和生态重要性的计算机视觉任务，包括猩猩检测和行为识别，以在支持评估大猩猩的存在、数量、分布和行为，并帮助保护工作中提高性能、效率和结果解释方面，开展 AI 分析照相机陷阱信息至关重要。

Jan, 2024

SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案，使用深度学习技术自动提取关键点，无需人工标记，并可应用于超过 45 种物种。

Mar, 2022

本文提出了 AP-10K, 首个大规模哺乳动物动物姿态估计基准，提出了包括监督学习、领域迁移和域泛化在内的三个任务以及相应的姿态估计模型，通过实验结果展示了从多种不同动物物种进行学习在准确性和泛化能力方面的优越性，为未来动物姿态估计的研究开辟了新方向。

Aug, 2021