面向动物重识别的模糊感知主动学习

动物重识别因其对生物多样性监测的重要影响以及环境因素带来的独特研究挑战，近期在人工智能研究界获得了广泛关注。微妙的区分模式、处理新物种以及固有的开集性质使得该问题更加困难。为应对这些复杂性，最近引入了在标记的大规模多物种动物重识别数据集上训练的基础模型，以实现零样本重识别。然而，我们的基准测试揭示了这些模型在已知和未知物种上的零样本重识别性能存在显著差距。虽然这凸显了在新领域收集标记数据的必要性，但为重识别进行详尽标注既费力又需要领域专业知识。我们的分析表明，现有的无监督和主动学习重识别方法在动物重识别中表现不佳。为解决这些局限性，我们引入了一个新颖的主动学习重识别框架，该框架利用互补聚类方法来发现并定位嵌入空间中的结构模糊区域，以挖掘既信息丰富又具有广泛代表性的样本对。对这些样本对的Oracle反馈，以必须连接和不能连接约束的形式，促进了一个简单的标注接口，该接口通过我们提出的约束聚类细化算法自然地与现有的无监督学习方法集成。通过大量实验，我们证明，仅利用所有标注的0.033%，我们的方法就持续优于现有的基础模型、无监督学习和主动学习基线。具体而言，我们在13个野生动物数据集上报告了相较于基础模型、无监督学习和主动学习方法分别平均提升10.49%、11.19%和3.99%（mAP），同时在每个数据集上达到了最先进的性能。此外，我们还展示了在开放世界环境中对未知个体的提升分别为11.09%、8.2%和2.06%。