层次化重新分类：将动物分类模型与视觉 Transformer 结合
计算机视觉与模式识别
2025-10-17 v1
摘要
类鸟类等一级动物分类模型如 SpeciesNet 提供数千种物种的预测，但采用保守的rollup策略，导致许多动物被标记为高层次分类而非种级。我们提出面向 Animal Detect 平台的层次化重新分类系统，将 SpeciesNet EfficientNetV2-M 预测与 CLIP 嵌入和度量学习结合，以细化高层次分类标签向种级识别。我们的五阶段管道（高置信度接受、鸟类覆盖、质心构建、三角损失度量学习和自适应余弦距离评分）在 LILA BC 沙漠狮子保育数据集的片段上进行评估（4,018 张图片，15,031 次检测）。在从“空白”和“animal”标签中恢复 761 条鸟类检测后，我们以 96.5% 的准确率重新分类 456 条标记为 animal、mammal 或 blank 的检测，实现种级识别覆盖 64.9%。
引用
@article{arxiv.2510.14594,
title = {Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers},
author = {Hugo Markoff and Jevgenijs Galaktionovs},
journal= {arXiv preprint arXiv:2510.14594},
year = {2025}
}
备注
Extended abstract. Submitted to AICC: Workshop on AI for Climate and Conservation - EurIPS 2025 (non-archival)