从统一研究中获得的相机陷阱物种识别经验与开放问题

相机陷阱对于大规模生物多样性监测至关重要，但由于部署环境多样，准确的自动分析仍具有挑战。虽然计算机视觉社区大多将此挑战建模为跨域泛化问题，但这种视角忽略了生态学从业者面临的主要挑战：在固定场地上维持可靠的识别，生态系统的动态本质在背景和动物分布上引入了显著的时序变化。为弥合这一差距，我们提出首个相机陷阱物种识别时序研究。我们引入一个真实可用的基准，包含 546 个相机陷阱，采用按时间顺序排列的区间评估模型的流式协议。我们的以用户为中心的研究得出四项关键发现：(1) 生物基础模型（如 BioCLIP 2）即使在初始区间也在诸多场站表现不佳，凸显了现场特定适应的必要性。(2) 在现实评估下适应性具有挑战性：当模型使用过去数据更新后在未来区间上评估（镜像实际部署生命周期），朴素的适应性甚至可能导致性能低于零样本。(3) 我们识别出两个驱动因素：严重的类别不平衡和连续区间之间物种分布和背景的显著时序迁移。(4) 我们发现，有效地将模型更新与后处理技术集成可大幅提高准确率，但仍存在与上界的差距。最后，我们指出关键的开放问题，如预测零样本模型在新场站成功的时机，以及确定/何时需要模型更新。我们的基准和分析为生态学从业者提供了可操作的部署指南，同时为视觉和机器学习领域的未来研究开辟了新方向。