深度学习用于豹子个体识别：一种自适应角度间隔方法
计算机视觉与模式识别
2024-11-05 v1
摘要
基于相机陷阱图像准确识别个体豹子对种群监测和生态研究至关重要。本文提出了一种深度学习框架，用于根据豹子独特的斑点图案区分不同个体。该方法采用一种新型的自适应角度间隔方法，形式为改进的 CosFace 架构。此外，我提出了一种预处理流程，将 RGB 通道与边缘检测通道相结合，以突出模型学习到的关键特征。该方法显著优于 Triplet Network 基线，达到了 0.8814 的动态 Top-5 平均精度和 0.9533 的 Top-5 排序匹配检测率，证明了其在野生动物识别中开集学习的潜力。虽然未超过基于 SIFT 的 Hotspotter 算法的性能，但该方法代表了将深度学习应用于图案化野生动物识别的重要进展。本研究为计算机视觉领域做出了贡献，并为旨在研究和保护豹种群的生物学家提供了有价值的工具。它也为将深度学习应用于其他图案化物种的标记-重捕研究奠定了基础。
引用
@article{arxiv.2411.01962,
title = {Deep Learning for Leopard Individual Identification: An Adaptive Angular Margin Approach},
author = {David Colomer Matachana},
journal= {arXiv preprint arXiv:2411.01962},
year = {2024}
}