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

该论文提出了一种名为BARC的新方法，该方法通过对犬种相似性的研究，解决了从单幅图像中恢复犬只3D形态和姿态的难题，证明了基因相似性的先验信息可以帮助弥补缺乏3D训练数据的不足。

Mar, 2022

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

本文介绍了一个名为Cat Facial Landmarks in the Wild (CatFLW)的数据集，其中包含了2016张猫脸的照片，并且使用48个脸部重点标记和猫脸特定的脸部动作单元（CatFACS）进行了注释，以用于动物情感计算和面部分析的自动化。此外，作者还介绍了一种半监督（人在环路）的方法来注释图像中的标志，以便创建此数据集，并提供在请求时获得该数据集。

May, 2023

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

提出了Animal3D数据集，为哺乳动物的3D姿态和形状估计提供了全面的数据集，实验证明跨物种的动物3D形状和姿态的预测仍然是一项非常具有挑战性的任务，合成预训练是提高模型性能的一种可行策略。

Aug, 2023

研究了11只狗的可视注视及其对不同物体的视觉注意力，使用头戴式眼动仪和训练好的 MaskRCNN 模型对数据进行了分析，结果显示狗更多地注视公交车、植物、人行道和建筑设备。

Nov, 2023

野生环境下的牛脸识别在畜牧业和行为研究领域具有重要意义。该研究创建了第一个大规模的牛脸识别数据集，ICRWE，包含483头牛和9,816个高分辨率图像样本。通过采用并行注意力网络（PANet），在ICRWE数据集上取得了88.03%的识别准确率，成为当前最先进的方法。

Mar, 2024

动物情感计算是一个快速发展的研究领域，目前关注于动物内部状态的自动追踪，如疼痛和情绪，动物的面部表情可以用来传达这些状态信息，本文基于狗的面部解剖标志物的方案，开发了一个包含3274张狗的图像的数据集，名为DogFLW数据集。

May, 2024

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