未知之境中的识别

人们期望检测与分类算法能泛化到陌生环境，但用于定量研究该现象的合适基准尚未可得。我们提出一个旨在度量识别对新环境泛化能力的数据集。我们的数据集图像采集自部署用于监测动物种群的二十个相机陷阱。相机陷阱固定于同一位置，因此图像间背景变化很小；拍摄由自动触发，故不存在人为偏差。其挑战在于在少数几个地点学习识别，并将动物检测与分类泛化到无训练数据可用的新地点。在我们的实验中，最先进的算法在与其训练所在同一地点测试时表现优异。然而，我们发现其对新地点的泛化能力较差，尤其对于分类系统。