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

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

图像基础下的动物个体再识别通过分析动物个体的固有毛皮、羽毛或皮肤图案来研究动物种群的时移模式，本文通过结合两种类型的图案相似度度量（图案特征聚合得到的图案外观相似度和分析图案相似性的几何图案相似度）提出了一种高效利用局部和全局图案特征的再识别方法，适用于多种不同类型的图案。实验部分表明，该方法在洞庭湖环封印和鲸鲨的再识别准确度上表现出了有希望的结果。

Aug, 2023

引入新颖的无标记反向识别动物的概念和实用技术，以补充传统的前瞻性纵向行为研究方法。研究中提出了通过模型训练实现反向识别，以提高资源效率，减少手动标注工作和计算资源投入。

May, 2024

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

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

本文介绍了一种使用立体图像的流水线，自动识别、跟踪鱼类并测量鱼群数量。

Dec, 2023

海洋科学家收集了图像数据进行研究海洋生物多年来，这些图像和视频在基础科学和环境监测任务中非常有价值。然而，目前没有能够处理海洋视觉采样中普遍存在的样本种群的极端变异性、图像质量和栖息地特征的工具。为了充分利用海洋中的视觉数据，创建能够识别图像或视频序列中是否包含新生物、非常规动物集合或者是否越界的模型至关重要。FathomNet2023 竞赛数据集提供了一个真实的情景，其中目标数据中的动物集合与训练数据不同。挑战是在目标图像中识别生物并评估其是否越界。

Jul, 2023

提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的 50000 张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

Mar, 2024

通过减少对昂贵的标记数据的依赖，我们提出了一种新的零样本物种分类方法 WildMatch，该方法使用多模态基础模型，利用人们熟悉的术语生成摄像机陷阱图像的详细视觉描述，并将生成的描述与外部知识库中的描述进行匹配，以零样本的方式确定物种。我们还研究了构建详细动物描述生成的指导调优数据集的技术，并提出了一种新的知识增强技术来提高描述质量。我们在哥伦比亚 Magdalena Medio 地区的一个新的摄像机陷阱数据集上展示了 WildMatch 的性能。

Nov, 2023