一种基于个体身份的动物重识别框架

在大规模野生动物种群中可靠地重识别个体对于生物研究、生态研究和野生动物保护至关重要。经典计算机视觉技术为动物重识别（Animal ReID）提供了有前景的方向，但其骨干网络的闭集性质限制了其适用性和泛化能力。尽管视觉-语言模型如CLIP在重识别人和车辆方面已证明有效，但由于动物视觉表示的独特挑战（如姿态和形态的多样性），其在动物重识别中的应用仍然有限。为解决这些限制，我们利用CLIP的跨模态能力引入了一个两阶段框架——个体动物身份驱动（IndivAID）框架，专门设计用于动物重识别。在第一阶段，IndivAID通过从每张图像中提取个体语义信息训练文本描述生成器，生成图像特定和个体特定的文本描述，全面捕捉每只动物在动物图像中的多样化视觉概念。在第二阶段，IndivAID通过动态融入个体特定文本描述与集成注意力模块，进一步细化其对视觉概念的学习，以突出个体在动物重识别中的判别性特征。在八个基准数据集和一个真实水獭数据集上对最先进方法的评估展示了IndivAID的有效性和适用性。代码可在\url{https://github.com/ywu840/IndivAID}获取。