MammalNet：面向哺乳动物识别与行为理解的大规模视频基准
计算机视觉与模式识别
2023-06-02 v1
摘要
监测动物行为可通过提供关于野生动物健康、种群状况和生态系统功能的关键洞见来促进保护工作。动物的自动识别及其行为识别对于利用现代视频设备生成的大型无标注数据集以及加速规模化监测工作至关重要。然而，自动识别系统的开发目前受到缺乏适当标注数据集的阻碍。现有视频数据集 1）未依据既有的生物分类学对动物进行分类；2）规模太小，无法促进大规模行为研究，且常局限于单一物种；3）不具备时间局部化标注，因此无法在较长视频序列中定位目标行为。为此，我们提出 MammalNet，一个具有分类学引导的哺乳动物及其常见行为标注的新型大规模动物行为数据集。MammalNet 包含超过 18K 个视频，总计 539 小时，约为最大现有动物行为数据集的 10 倍。它涵盖 17 个目、69 个科和 173 个哺乳动物类别用于动物分类，并捕捉了先前动物行为研究中关注的 12 种高层级动物行为。我们在 MammalNet 上建立了三项基准：标准动物与行为识别、组合式小样本动物与行为识别，以及行为检测。我们的数据集与代码已发布于：https://mammal-net.github.io。
引用
@article{arxiv.2306.00576,
title = {MammalNet: A Large-scale Video Benchmark for Mammal Recognition and Behavior Understanding},
author = {Jun Chen and Ming Hu and Darren J. Coker and Michael L. Berumen and Blair Costelloe and Sara Beery and Anna Rohrbach and Mohamed Elhoseiny},
journal= {arXiv preprint arXiv:2306.00576},
year = {2023}
}
备注
CVPR 2023 proceeding