WildIng：野生动物图像不变表示模型，用于地理学域迁移
计算机视觉与模式识别
2026-01-06 v1 人工智能
摘要
野生动物监测对于研究生物多样性丧失和气候变化至关重要。相机陷阱图像提供了一种非侵入的方法，用于分析动物 populations 以及识别不同时间段的生态模式。然而，手动分析耗时且资源密集。深度学习，特别是基础模型，已被用于自动化野生动物识别，在测试数据与训练数据来自同一地理位置时可实现优异性能。然而，尽管其前景广阔，这些模型在针对新地理区域时难以泛化，导致显著的性能下降。例如，在非洲数据集上训练的高级视觉语言模型（如CLIP配合适配器）准确率可达84.77%，但在美国数据集上测试时性能骤降至16.17%。这一限制部分源于现有模型主要依赖图像表示，使其对地理数据分布迁移（如背景、光照和环境条件的变化）高度敏感。为此，我们提出WildIng——野生动物图像不变表示模型，用于地理学域迁移。WildIng将文本描述与图像特征相结合，创建更稳健的表示以应对地理学域迁移。通过利用文本描述，我们的方法捕获了一致的语义信息，如物种外观的详细描述，从而提高了跨不同地理位置的泛化能力。实验表明，WildIng在地理学域迁移条件下使基础模型如BioCLIP的准确率提升约30%。我们在来自不同区域（美国和非洲）的两个数据集上对WildIng进行评估。代码和模型已公开发布于 https://github.com/Julian075/CATALOG/tree/WildIng。
引用
@article{arxiv.2601.00993,
title = {WildIng: A Wildlife Image Invariant Representation Model for Geographical Domain Shift},
author = {Julian D. Santamaria and Claudia Isaza and Jhony H. Giraldo},
journal= {arXiv preprint arXiv:2601.00993},
year = {2026}
}