Nov, 2023

野生动物数据集：一个用于动物再识别的开源工具包

PDF
TL;DR该研究论文介绍了 WildlifeDatasets 工具集，一个开源工具集用于生态学家和计算机视觉 / 机器学习研究人员，它使用 Python 编写，提供了简单直接获取公开的野生动物数据集的方法，并提供了各种数据集预处理、性能分析和模型优化方法。我们在不同的场景和基准实验中展示了该工具集，包括了野生动物再识别数据集和方法的最全面比较，包括了局部描述符和深度学习方法。此外，我们提供了首个针对各种动物个体再识别的基础模型 - MegaDescriptor，该模型在动物再识别数据集上表现优异，超过了 CLIP 和 DINOv2 等预训练模型的性能。为了让该模型对大众可用以及方便集成到任何现有的野生动物监测应用中，我们通过 HuggingFace hub 提供了多个 MegaDescriptor 版本（即 Small、Medium 和 Large）。
wildlifedatasetsecologistscomputer-visionmachine-learningwildlife re-identification
发现论文，激发创造
  • 野生动物再识别数据集：包含 1 万只个体的野生动物再识别数据集

    我们推出了一个新的野生动物重新识别数据集 WildlifeReID-10k，包含超过 214k 张 10k 只个体动物的图像。该数据集由 30 个现有的野生动物重新识别数据集加上额外的处理步骤组成。我们认为，由于数据集中相似图像的普遍存在，标准（随机）的训练集和测试集划分对于野生动物重新识别是不适当的，并提出了一种基于提取特征相似性的新的相似性感知划分。为了促进公平的方法比较，我们针对封闭集和开放集设置都提供相似性感知划分，使用 MegaDescriptor 作为野生动物重新识别的基准模型，同时提供最佳结果的排行榜。我们公开发布数据集以及用于创建它的代码在 wildlife-datasets 库中，使得 WildlifeReID-10k 既高度精选又易于使用。

    Jun, 2024

  • Pytorch-Wildlife：一个用于保护的协作深度学习框架

    通过 PyTorch 构建的开源深度学习平台 Pytorch-Wildlife，可用于动物检测和分类，其应用于亚马逊雨林和加拉帕戈斯群岛的物种识别和入侵负鼠识别等真实场景中，取得了高水平的准确性，并为保护环境提供了多样化的解决方案。

    May, 2024

  • 野外昆虫识别：AMI 数据集

    昆虫多样性丧失影响生态系统和农业，对昆虫研究提出了大规模机器学习和数据增强等解决方案。

    Jun, 2024

  • OpenAnimalTracks: 动物轨迹识别数据集

    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

  • 野生动物图像的迭代式人工和自动识别

    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

  • AnimalWeb：一个大规模的带注释动物面部层次数据集

    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

  • 物种 196：一个百万级半监督数据集用于细粒度物种识别

    介绍了一个大规模的半监督数据集 Species196，包含 196 个入侵物种的专家级标注图像和大量无标签图像，并提供四种实验设置以评估现有模型和算法在入侵物种分类中的性能。

    Sep, 2023

  • iNaturalist 物种分类与检测数据集

    本论文提出了 iNaturalist 物种分类和检测数据集，包括来自全球 5000 多种植物和动物的 859,000 张图片，其中包括视觉相似的物种以及具有各种图像质量和类不平衡性的图片。通过对数据集进行广泛的基准实验，本文的结果表明目前基于非集成方法的计算机视觉分类和检测模型只能达到 67% 的准确率，提出了面临的挑战和需要更多低阶学习关注的解决方案。

    Jul, 2017

  • SeaTurtleID2022：一份可靠的海龟再识别长时间跨度数据集

    该研究介绍了一份公开的大规模、长时间跨度的海龟照片数据集 ——SeaTurtleID2022。该数据集包含 8729 张照片，来自 13 年间收集的 438 只独特个体，是用于动物再识别的时间跨度最长的数据集。研究提出了基于时间感知的封闭集和开放集的数据划分方法，并展示了基于海龟的再识别方法的基准表现。最终，研究提出并评估了一种基于混合任务级联和 ArcFace 的海龟再识别系统，其准确率达到 86.8%。

    Nov, 2023

  • 动物王国：一个用于动物行为理解的大型且多样化的数据集

    创建了一个大而多样的数据集 Animal Kingdom，用于多种已注释的任务，帮助更全面地理解自然动物行为，包括视频定位、精细多标签动作识别和姿势估计任务，跨越了 6 个动物大类的 850 个物种，提出了一种 CARe 模型，可以学习识别新的动物行为，实验结果显示了很好的性能

    Apr, 2022