面向多样野生动物的自适应高频变换器

野生动物重识别（Wildlife ReID）涉及利用视觉技术在不同场景中识别特定野生动物个体，这对于野生动物保护、生态研究和环境监测具有重要意义。现有的野生动物重识别方法主要针对特定物种设计，适用性有限。虽然一些方法利用广泛研究的人员重识别技术，但难以应对野生动物所特有的挑战。因此，本文提出了一个统一的、面向多物种的野生动物重识别框架。鉴于高频信息是各种物种中独特特征的一致性表征，显著有助于识别轮廓和细节，如毛纹理，我们提出了自适应高频变换器模型，以增强高频信息的学习。为缓解户外环境中不可避免的高频干扰，我们引入了对象感知的高频选择策略，以自适应地捕获更有价值的高频成分。值得注意的是，我们统一了多个野生动物数据集的实验设置，超越当前最先进的重识别方法取得优异性能。在域泛化场景中，我们的方法对未知物种显示出稳健的泛化能力。