深入丛林：自动化chimpanzee 种群估计
计算机视觉与模式识别
2026-02-02 v1
摘要
对无标记灵长类动物种群的丰度和密度估计依赖需要动物到相机距离测量的统计框架。实际操作中获取这些距离依赖于对大规模相机陷阱视频中动物观察的人工解读，这过程费时费力。本研究引入并评估了仅稀少探索的替代方案：将基于计算机视觉的单目深度估计 (MDE) 流程直接集成到生态学相机陷阱工作流程中，用于灵长类动物保护。我们使用包含220段真实相机陷阱视频记录的野生chimpanzee种群数据，结合两种 MDE 模型（Dense Prediction Transformers 和 Depth Anything）与多种距离抽样策略。这些组件用于生成检测距离估计，随后推导出种群密度和丰度。与人工标注的ground-truth距离进行比较显示，校准后的 DPT 在距离估计精度以及下游密度和丰度推断方面 consistently 优于 Depth Anything。尽管如此，两种模型都存在系统性偏差。我们表明，给定复杂森林环境，模型倾向于高估检测距离，从而低估密度和丰度，相对于传统人工方法。我们进一步发现，跨距离范围内动物检测失败是限制估计精度的主要因素。总体而言，本工作提供了一个案例研究，表明 MDE 驱动的相机陷阱距离抽样是人工距离估计的可行且实用的替代方案。该方法yield的种群估计值在误差范围内。
引用
@article{arxiv.2601.22917,
title = {Deep in the Jungle: Towards Automating Chimpanzee Population Estimation},
author = {Tom Raynes and Otto Brookes and Timm Haucke and Lukas Bösch and Anne-Sophie Crunchant and Hjalmar Kühl and Sara Beery and Majid Mirmehdi and Tilo Burghardt},
journal= {arXiv preprint arXiv:2601.22917},
year = {2026}
}