ShadowWolf——面向相机捕获野生动物图像的自动标注、评估与模型训练优化框架
计算机视觉与模式识别
2025-12-09 v1 人工智能
摘要
全球人口的持续增长正在导致人类栖息地的扩张，造成野生动物空间的减少以及人与野生动物的互动增多。这些互动范围从较小的干扰（例如，浣熊在城市垃圾箱中的活动），到更严重的后果（包括物种灭绝），不等。因此，野生动物监测在 various contexts 中日益重要。人工智能（AI）提供了解决方案，通过自动识别图像和视频中的动物，从而减少野生动物监测所需的手动工作量。传统AI训练涉及三个主要阶段：图像收集、标注和模型训练。然而，景观（例如，山脉、开阔地、森林）、天气（例如，雨、雾、阳光）、照明（例如，白天、夜晚）以及相机-动物距离的变异性，为模型在现实场景中的鲁棒性和适应性带来了显著挑战。本文提出了一个统一框架，称为ShadowWolf，旨在通过整合和优化AI模型训练和评估阶段来解决这些挑战。该框架实现动态模型再训练，以适应环境条件和应用需求的变化，从而减少标注工作量，实现现场模型适应性。这种自适应和统一的方法提高了野生动物监测系统的准确性和效率，促进更有效和可扩展的保育工作。
引用
@article{arxiv.2512.06521,
title = {ShadowWolf -- Automatic Labelling, Evaluation and Model Training Optimised for Camera Trap Wildlife Images},
author = {Jens Dede and Anna Förster},
journal= {arXiv preprint arXiv:2512.06521},
year = {2025}
}
备注
31 pages + appendix