iWildCam 2019 挑战赛数据集
计算机视觉与模式识别
2019-07-18 v1
摘要
相机陷阱（或野生相机）能够实现大量图像数据的自动采集。世界各地的生物学家使用相机陷阱来监测动物物种的生物多样性和种群密度。计算机视觉界在自动化相机陷阱中的物种分类挑战方面取得了进展，但当我们试图将这些模型的应用范围从已收集训练数据的特定区域扩展到不同地区时，我们面临一个有趣的问题：如何对在新区域中、可能在先前训练数据中未见过的一个物种进行分类？为了解决这个问题，我们准备了一个数据集和挑战赛，其中训练数据和测试数据来自不同地区，即美国西南部和美国西北部。我们使用从美国西南部收集的 Caltech Camera Traps 数据集作为训练数据。我们添加了一个来自美国西北部的新数据集，该数据集由爱达荷州鱼类和游戏部（IDFG）提供的数据整理而成，作为我们的测试数据集。测试数据与训练数据有一些类别重叠，一些物种同时出现在两个数据集中，但也存在训练时出现而测试时未出现以及反之的情况。为了填补训练物种中的空白，我们允许参赛者利用来自两个替代领域的迁移学习：来自 iNaturalist 的由人类策划的图像和来自微软 TrapCam-AirSim 仿真环境的合成图像。
引用
@article{arxiv.1907.07617,
title = {The iWildCam 2019 Challenge Dataset},
author = {Sara Beery and Dan Morris and Pietro Perona},
journal= {arXiv preprint arXiv:1907.07617},
year = {2019}
}
备注
From the Sixth Fine-Grained Visual Categorization Workshop at CVPR19. arXiv admin note: text overlap with arXiv:1904.05986