无标记的逆向鉴定补充了对生物实验中个体昆虫主体的重新鉴定
本研究提出了一种基于对比学习的模型，将物理标记技术替换为图像分析进行个体鉴定，其在对 Symphodus melops 的照片进行处理后，取得了较高的准确率。
Jan, 2023
使用蜜蜂行为分析中的油漆标记实现自动化的研究表明，对于轻量级标记，油漆标记是可行的；我们提供了一个由 4392 个图像和 27 个标识组成的蜜蜂重新识别的新型数据集，使用 ResNet 主干和三元组损失的对比学习导致几乎完美的身份识别特征；多样化实验评估了推广到单独标识的能力，并展示了仅使用未标记的腹部进行识别的影响；此外，我们展示了完全自动化的访问检测的潜力，并提供了未来在边缘设备上实时部署的计算时间的初步结果。
Nov, 2023
通过深度神经网络的迁移学习方法，本论文提出了一种高效的无标记跟踪方法，可以在不同的实验环境中跟踪动物不同的身体部位，尤其在少量训练数据的情况下也能获得很好的跟踪效果。
Apr, 2018
我们提出了具备向后兼容性的一种连续学习人员重识别模型，通过引入跨模型兼容性损失和知识整合方法，实现在连续到来的数据集上训练模型时对先前训练的旧模型的向后兼容性。实验结果表明，与现有方法相比，所提出的方法在向后兼容性方面取得了显着提高的性能，是更实际的人员重识别领域的有希望的工具。
Mar, 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
本研究开发了自动分析照相陷阱视频以识别动物个体的管道，该管道基于计算机视觉和深度学习组件，特别是卷积神经网络和尺度不变特征变换，并在非人工交互方面实现了额外组件。该管道可用于保护项目，以减少手动分析工作的时间和提高个体识别的成功率。
Apr, 2023
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
最近自动识别动物个体的方法在相机陷阱和公众科学项目中的应用开启了研究野生动物的新可能性。本研究通过对六种不同方法和五种动物物种的全面实验来深入探讨训练数据集规模对算法性能的影响，结果显示基于局部特征和端到端学习的方法都有优势，但对于野生动物种类来说，基于局部特征的方法更实用，同时特定物种的特性，尤其是个体间差异对训练数据要求有显著影响。
May, 2024
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
本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。
Jul, 2016