Jun, 2024

OpenAnimalTracks: 动物轨迹识别数据集

PDF
TL;DR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。
animal habitat surveysanimal footprintsopenanimaltracks datasetautomated classificationautomated animal tracking
发现论文，激发创造
  • 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

  • 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

  • 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

  • TrackingNet: 野外物体跟踪的大规模数据集和基准

    该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

    Mar, 2018

  • MammalNet：一项大规模视频基准，用于哺乳动物识别和行为理解

    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

  • 一份新颖的四足动物关键点检测数据集

    本文介绍了使用深度学习模型结合 AwA Pose 数据集识别四足动物关键点的研究成果，该数据集涵盖了较多动物种类及关键点数量，可以帮助计算机视觉领域研究构建更准确的模型。

    Aug, 2021

  • 猫鼬行为识别数据集

    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

  • 人工环境中的动物检测

    本研究使用计算机视觉领域的深度学习技术，包括目标检测、跟踪、分割和边缘检测，尝试解决动物进入人类居住区的自动检测问题。该研究提出了一种半自动的合成数据生成方法，以训练在真实环境下进行部署的模型。实证结果表明，检测器无法从动物在其自然栖息地的训练图像中推广到人造环境的部署场景。本研究提供了用于进一步研究的代码和数据。

    Oct, 2019

  • iWildCam 2018 挑战赛数据集

    为了扩大使用摄像机陷阱数据研究生物多样性的规模，作者提供了一个新的挑战数据集以测试基于深度学习的自动关键帧标记方法是否适用于恰当分类新的场景。

    Apr, 2019

  • 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