Jun, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 野生动物数据集：一个用于动物再识别的开源工具包

    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）。

    Nov, 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

  • 应对房间里的大象：无监督基于部件的特征对齐的稳健动物再识别

    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

  • 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

  • ATRW：野外东北虎重新识别基准

    本论文提出了 Amur Tiger Re-identification in the Wild 数据集，其中包括具有不同姿势和照明条件的 92 只东北虎的视频剪辑，用于进行深度学习中的识别研究，通过提出精确的姿势建模方法，相比现有的方法有显著的性能改进。

    Jun, 2019

  • 航拍图像中的车辆重新识别：数据集和方法

    本文提出了一个包含 13k 车辆实例的、用于车辆重新识别的大规模 UAV 数据集，并设计了一种专门的车辆重新识别算法来充分利用数据集中的丰富注释信息，可以显式地检测每个特定车辆的判别部分，并明显优于测试基线和现有车辆重新识别方法。

    Apr, 2019

  • 东鸟国际鸟类 10000 数据集

    DIB-10K 是一个具有挑战性的图像数据集，包含了一万多种不同类型的鸟类，旨在促进机器学习和鸟类学研究，但不拥有这些图像的版权，只提供缩略图。

    Sep, 2020

  • AP-10K：野外动物姿态估计基准测试

    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

  • 一个开放世界、多样化、跨时空的动态野外人员再识别基准

    通过开展多样性的采集场景、光照变化、人物状态和保护隐私等方面的数据收集和处理，以及提出潜在域扩展方法来改进人物再识别模型的泛化能力。

    Mar, 2024

  • 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