基于深度3D拟合与度量学习的个体格雷维斑马识别

本文在一个流水线中结合深度学习技术用于物种检测、3D模型拟合和度量学习，通过利用独特的皮毛图案从照片中进行个体动物识别。这是首次尝试此类工作，并且相较于传统的基于2D边界框或分割的CNN识别流水线，该方法提供了有效且显式的视角归一化，并允许对学到的生物特征种群空间进行直观可视化。注意，由于使用了度量学习，该流水线也直接适用于开放集和零样本重识别场景。我们将所提方法应用于个体格雷维斑马（Equus grevyi）识别，并在SMALST数据集上的小型研究中表明，使用3D模型拟合确实能提升性能。具体而言，与2D边界框方法相比，来自3D拟合模型的背投影纹理将该数据集的识别准确率从48.0%提升至56.8%。尽管该研究规模过小，无法准确估计在更大规模真实应用环境及与成熟工具对比下可实现的全部性能潜力，我们的工作为动物生物识别向开放种群环境下由深度度量学习驱动的、完全3D感知的动物识别迈出了概念与实践基础的一步。我们随本文发布了网络权重和相关辅助源代码以保证完全可复现，并启发进一步研究。