RareSpot+：面向航拍图像中小型与稀有野生动物的基准、模型与主动学习框架
计算机视觉与模式识别
2026-04-23 v1
摘要
从航拍图像中自动监测野生动物对保护工作至关重要，但受到两个持续挑战的限制：检测小型、稀有物种的困难，以及大规模专家标注的高昂成本。土拨鼠就是这一问题的典型代表——它们在生态上很重要，但看起来很小、分布稀疏，且在视觉上与周围环境难以区分，对传统检测模型构成了严峻挑战。为了克服这些限制，我们提出了RareSpot+，这是一个集成了多尺度一致性学习、上下文感知增强和地理空间引导主动学习的检测框架。一种新颖的多尺度一致性损失跨检测头对齐中间特征图，在无需架构更改的情况下增强了对小型（约30像素宽）目标的定位，而上下文感知增强通过合成困难且生态上合理的样本来提高鲁棒性。地理空间主动学习模块利用了将土拨鼠与洞穴联系起来的领域特定空间先验，结合测试时增强和元不确定性模型，以减少冗余标注。在一个2 km^2的航拍数据集上，RareSpot+将基线mAP@50的检测性能提升了+35.2%（绝对值+0.13）。在HerdNet、AED及其他几个野生动物基准上的跨数据集测试展示了稳健的检测器级可迁移性。主动学习模块进一步将土拨鼠AP提升了14.5%，仅使用了1.7%未标注图像块的标注预算。除了检测之外，RareSpot+还支持聚类和共现等空间生态分析，将基于视觉的检测与定量生态学联系起来。
引用
@article{arxiv.2604.20000,
title = {RareSpot+: A Benchmark, Model, and Active Learning Framework for Small and Rare Wildlife in Aerial Imagery},
author = {Bowen Zhang and Jesse T. Boulerice and Charvi Mendiratta and Nikhil Kuniyil and Satish Kumar and Hila Shamon and B. S. Manjunath},
journal= {arXiv preprint arXiv:2604.20000},
year = {2026}
}