多目标跟踪显著性地改善野生动物推断
计算机视觉与模式识别
2026-05-19 v1 人工智能
机器学习
摘要
相机陷阱已成为生态研究和生物多样性保护中野生动物监测的常用工具。野生动物分类模型受益于野生动物视觉数据量的增加。这些模型在精选高质量数据集上达到高水平的准确率。然而，其性能在现实环境约束下仍然敏感。它们常常在执行基于时间连贯序列的推断时产生不一致的预测。单个个体的预测标签在连续帧之间快速变化。本研究利用相机陷阱数据的时序性质来增强野生动物分类模型的推断预测。具体而言，我们采用几种标准的多目标跟踪 (MOT) 模型将连续帧中的检测结果关联起来。所获精选轨迹用于融合 softmax 类概率。融合概率得分产生一个单一的共识类标签估计，用于覆盖由噪声引起的误分类。实验结果分析表明，我们提出的策略在所有数据集和每个指标上均优于独立分类器。具体而言，最佳-performing MOT 模型在三个 MOT 数据集上的加权 F1 分数分别提高了 5.1%、3.1% 和 2.0%。
引用
@article{arxiv.2605.16672,
title = {Multi-Object Tracking Consistently Improves Wildlife Inference},
author = {Mufhumudzi Muthivhi and Jiahao Huo and Fredrik Gustafsson and Terence L. van Zyl},
journal= {arXiv preprint arXiv:2605.16672},
year = {2026}
}
备注
Accepted for publication in IEEE 2026 29th International Conference on Information Fusion