改善野生动物离群检测：非洲大五
计算机视觉与模式识别
2026-03-03 v2 人工智能
摘要
缓解人与野生动物冲突旨在解决这些当事方之间不寻常的相遇。计算机视觉提供了识别可能导致冲突的个体（如非洲大五动物成员）的解决方案。然而，环境往往包含多种多样的物种。当前最先进的动物分类模型是在封闭世界假设下训练的。它们几乎总是对未知类别的输入保持过于自信。这项研究旨在野生动物离群检测 (OOD)，具体聚焦非洲大五。为此，我们选取了参数化最近类均值 (NCM) 和非参数对比学习方法作为基准，以利用来自流行分类编码器的预训练和投影特征。此外，我们将我们的基准与文献中各种常见 OOD 方法进行比较。结果表明，基于特征的方法在不同分类阈值下表现出更强的泛化能力。具体而言，NCM 使用 ImageNet 预训练特征在 AUPR-IN、AUPR-OUT 和 AUTC 上分别实现 2%、4% 和 22% 的改进。代码可在 https://github.com/pxpana/BIG5OOD 查看。
引用
@article{arxiv.2506.06719,
title = {Improving Wildlife Out-of-Distribution Detection: Africas Big Five},
author = {Mufhumudzi Muthivhi and Jiahao Huo and Fredrik Gustafsson and Terence L. van Zyl},
journal= {arXiv preprint arXiv:2506.06719},
year = {2026}
}
备注
Presented at the CV4Animals Workshop at the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2025