面向动物个体重识别的相似性学习网络——超越人类观察者的能力
计算机视觉与模式识别
2020-07-02 v4
摘要
当有大量标注数据可用时，深度学习已成为处理计算机视觉任务的标准方法。传统深度学习方法表现不佳的一个领域是单样本学习任务，即模型在仅看到一个样例后就必须正确分类新类别。其中一个这样的领域是动物重识别，这是计算机视觉的一种应用，可在全球范围内用作从相机陷阱图像自动估计物种种群数量的方法。我们的工作展示了相似性比较网络在动物重识别中的应用，以及深度卷积神经网络跨域泛化的能力。很少有研究考虑跨物种的动物重识别方法。在此，我们比较了两种基于 AlexNet、VGG-19、DenseNet201、MobileNetV2 和 InceptionV3 架构的相似性比较方法：Siamese 和 Triplet-Loss，考虑平均精度均值（mAP）@1 和 mAP@5。我们考虑了对应于五个不同物种的五个数据集：人类、黑猩猩、座头鲸、果蝇和西伯利亚虎，每个都有其独特的挑战。我们证明 Triplet Loss 在所有物种上均优于其 Siamese 对应方法。在没有任何物种特定修改的情况下，我们的结果表明相似性比较网络在动物重识别任务上可达到超越人类的性能水平。研究者能够在再次遇到时重识别动物个体，对于解决种群动态和群落/行为生态学研究中广泛的问题至关重要。我们期望相似性比较网络是重大趋势的开端，可能彻底变革基于相机陷阱数据的动物重识别。
引用
@article{arxiv.1902.09324,
title = {Similarity Learning Networks for Animal Individual Re-Identification -- Beyond the Capabilities of a Human Observer},
author = {Stefan Schneider and Graham W. Taylor and Stefan Linquist and Stefan C. Kremer},
journal= {arXiv preprint arXiv:1902.09324},
year = {2020}
}
备注
9 pages, 4 figures, 3 table. WACV 2020 - Deep Learning for Animal Re-ID Workshop