基于自监督学习的野生动物目标在非城市环境下的重识别
计算机视觉与模式识别
2025-07-04 v1 人工智能
机器学习
摘要
野生动物重识别旨在匹配同一物种个体在不同观察中的匹配。当前最先进 (SOTA) 模型依赖于类别标签来训练监督模型进行个体分类。这种对标记数据的依赖导致了大量野生动物数据集的 curating。本研究探讨了自监督学习 (Self-Supervised Learning, SSL) 在野生动物重识别中的应用。我们利用从相机陷阱数据中自动提取的两个不同视角的图像对（无监督），训练自监督模型。我们评估了所学表示与监督特征在开放世界情景和各种野生动物下游任务中的 transfer learning 效果。实验结果分析表明，自监督模型即使在有限数据下也更健壮。此外，自监督特征在所有下游任务中均优于监督特征。代码可在 https://github.com/pxpana/SSLWildlife 查阅。
引用
@article{arxiv.2507.02403,
title = {Wildlife Target Re-Identification Using Self-supervised Learning in Non-Urban Settings},
author = {Mufhumudzi Muthivhi and Terence L. van Zyl},
journal= {arXiv preprint arXiv:2507.02403},
year = {2025}
}
备注
Accepted for publication in IEEE Xplore and ISIF FUSION 2025 proceedings: