基于 CNN 的四足动物种类的腰部预测器
计算机视觉与模式识别
2024-06-21 v1
摘要
具有独特识别特征的动物体侧不对称性（bilateral asymmetry）complicates 诸如 population 估计等任务。自动为 visible 侧生成的额外信息将提高 individual 识别的准确率。在本研究中，我们对流行的 CNN 图像分类架构进行迁移学习，以训练一个腰部预测器，用于预测四足哺乳动物种类图像中可见的腰部。在我们自动从最初标注用于动物姿态估计的数据集中派生数据标签。我们以不同程度的重新训练两个阶段训练模型。对不同未知四足动物种类在已知和未知环境中的不同情景对所develop的模型进行评估。作为现实场景，我们使用来自 Bavarian Forest National Park 摄像陷阱的人工标注的 Eurasian lynx（Lynx lynx）数据集进行模型评估。采用 EfficientNetV2 backbone 训练的最佳模型在复杂栖息地中对未知种类的 lynx 实现了 88.70% 的准确率。
引用
@article{arxiv.2406.13588,
title = {CNN Based Flank Predictor for Quadruped Animal Species},
author = {Vanessa Suessle and Marco Heurich and Colleen T. Downs and Andreas Weinmann and Elke Hergenroether},
journal= {arXiv preprint arXiv:2406.13588},
year = {2024}
}