DS@GT ARC at AnimalCLEF 2026: Species-Aware Graph Construction for Multi-Species Animal Re-Identification
Georgia Institute of Technology（佐治亚理工学院）
该研究针对多物种动物重新识别问题，提出将其作为物种感知图构建，通过整合预处理、检索、验证、评分、边缘接纳和社区检测等流程，提升识别效果，所选提交在230个团队中排名第五，凸显视觉表示与多种约束校准整合的重要性。
2026-07-21 cs.CV
Categorical Keypoint Positional Embedding for Robust Animal Re-Identification
Australian Institution for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）
针对动物 ReID 中姿态、环境和跨物种迁移难题，提出基于扩散模型的单样本关键点传播机制，并以 KPE 与 CKPE 增强 ViT，在四个野生动物数据集上超越现有方法。
2024-12-01 cs.CV
Addressing the Elephant in the Room: Robust Animal Re-Identification with Unsupervised Part-Based Feature Alignment
EPFL（洛桑联邦理工学院）
针对动物再识别中的背景偏差问题，提出在训练和评估阶段系统性去除背景，并采用无监督部位特征对齐方法，在三个数据集上取得优越结果。
2024-05-22 cs.CV
Degradation-based augmented training for robust individual animal re-identification
School of Mathematical Sciences, Queen Mary University of London（伦敦女王学院数学科学学院）；University of West Bohemia in Pilsen（普日辛斯克西波维亚大学）
本文提出基于退化的增强训练方法，通过引入多样化的退化因素提升野生动物个体重识别的鲁棒性和准确率。
2026-09-02 cs.CV
DS@GT AnimalCLEF: Triplet Learning over ViT Manifolds with Nearest Neighbor Classification for Animal Re-identification
Georgia Institute of Technology（佐治亚理工学院）；University of Florida（佛罗里达大学）
本文针对 AnimalCLEF 2025 挑战赛，对比了通用模型 DINOv2 与领域专用模型 MegaDescriptor 结合 K-近邻分类和三元组学习的表现，发现领域专用预训练对动物重识别任务至关重要。
2025-09-15 cs.CV
Cross-Species Animal Re-Identification with Semantic Consistency Learning
School of Computer Science, Wuhan University（武汉大学计算机学院）
提出语义一致性学习（SCL）框架，通过前景-背景解耦谱归一化和跨物种邻域建模，在11个数据集上实现跨物种动物重识别的最优性能。
2026-09-10 cs.CV
Animal Re-Identification on Microcontrollers
针对微控制器资源受限问题，设计基于MobileNetV2的轻量级动物重识别模型，通过系统缩放和低分辨率输入优化，在保持竞争力的同时将模型大小降低两个数量级，并实现少量样本快速微调。
2026-07-03 cs.CV
Learning landmark guided embeddings for animal re-identification
Queensland University of Technology（昆士兰科技大学）；The University of Queensland（昆士兰大学）
由于不同个体之间的身体标记的细微变化以及对野生动物的姿势没有限制，图像中个体动物的重新识别可能是模糊的。人员重新识别是一项类似的任务，并且已经使用深度卷积神经网络（CNN）来处理它，该深度卷积神经网络学习用于人的图像的区别性嵌入。然而，学习个体动物的区别特征比人的外表更具挑战性，因为与人的身份的标记数据集相比，生态数据集的大小相对较小。我们建议通过明确利用身体标志信息来改进嵌入学习。身体标志被提供给CNN的输入，作为可以从单独的身体标志预测器获得的置信热图。鼓励模型通过学习重建输入热图的辅助任务来使用热图。身体标志引导特征提取网络学习独特图案的表示及其在身体上的位置。我们评估所提出的方法在一个大的合成数据集和一个小的真实数据集。我们的方法在合成和真实数据集上分别比没有身体标志输入的相同模型高出26%和18%。该方法对输入坐标中的噪声具有鲁棒性，并且可以容忍高达图像大小的10%的坐标误差。
2020-01-09 cs.CV
Past, Present, and Future Approaches Using Computer Vision for Animal Re-Identification from Camera Trap Data
University of Guelph（圭尔夫大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
研究人员重新识别（重新识别）个体动物的能力是解决生态系统功能，社区和人口动态以及行为生态学研究中广泛问题的基础。在这篇综述中，我们描述了用于re-ID的相机陷阱的简史，提出了以前用于动物re-ID的计算机视觉特征工程方法的集合，介绍了与动物re-ID相关的深度学习的基本机制，强调了用于人类re-ID的深度学习方法的成功，描述了目前利用深度学习进行相机陷阱分析的少数生态研究，以及我们对基于深度学习方法快速发展的近期方法的预测。通过利用新的深度学习方法进行目标检测和相似性比较，生态学家可以从图像/视频数据中提取动物，并训练深度学习分类器，以重新识别超出人类观察者能力的动物个体。这种方法将允许生态学家使用相机/视频陷阱数据重新识别退出和重新进入相机框架的个体。我们的期望是，这只是一个主要趋势的开始，这一趋势可能会彻底改变相机陷阱数据的分析，并最终改变我们对动物生态学的研究方法。
2018-11-19 cs.CV
Unsupervised Pelage Pattern Unwrapping for Animal Re-identification
Computer Vision and Pattern Recognition Laboratory (CVPRL)（计算机视觉与模式识别实验室）；Lappeenranta-Lahti University of Technology LUT（拉佩恩拉-拉赫蒂理工大学）；Faculty of Information Technology Brno University of Technology (BUT)（信息科技学院布拉格技术大学）；Rensselaer Polytechnic Institute (RPI)（伦塞拉尔理工学院）
针对动物皮毛图案因姿态变化导致的再识别难题，提出几何感知的纹理映射方法，将皮毛图案展开到规范UV空间，无需标注，自监督训练，在海豹和豹数据集上准确率最高提升5.4%。
2025-06-18 cs.CV
An End-to-End Foreground-Aware Network for Person Re-Identification
University of Science and Technology of China（中国科学技术大学）；Huawei Cloud EI Product Department（华为云EI产品部）；Cloud & AI, Huawei Technologies（华为技术有限公司云与智能业务部）
人员重新识别是在多个监控摄像机视图中识别感兴趣的行人的关键任务。在行人身份识别中，行人通常是由包含场景背景的矩形图像区域提取特征来表示的，这会导致识别不同行人的模糊性，降低识别的准确性。为此，我们提出了一个端到端的前景感知网络，通过学习软掩模来重新识别人，从而区分前景和背景。在我们的方法中，除了行人ID作为前景的监督，我们引入了每个行人图像的摄像机ID的背景建模。前景分支和背景分支协同优化。通过呈现目标注意力损失，从前景分支提取的行人特征变得对背景更不敏感，这大大降低了改变背景对在不同相机视图中匹配相同的行人的负面影响。值得注意的是，与现有方法相比，我们的方法不需要任何额外的数据集来训练人类地标检测器或用于定位背景区域的分割模型。在三个具有挑战性的数据集上进行的实验结果，即，Market-1501、DukeMTMC-reID和MSMT 17证明了我们方法的有效性。
2021-03-06 cs.CV
Perspectives on individual animal identification from biology and computer vision
Swiss Federal Institute of Technology (EPFL)（瑞士联邦理工学院）；Alaska Pacific University（阿拉斯加太平洋大学）
识别个体动物对于许多生物学研究至关重要。针对当前识别方法的一些局限性，新的自动化计算机视觉方法已经出现并具有强大的性能。在这里，我们回顾了计算机视觉识别技术的最新进展，为计算机科学家和生物学家提供了可用工具的概述，并讨论了它们的应用。最后，我们提供建议，开始一个动物识别项目，说明目前的局限性，并提出如何在未来解决这些问题。
2021-02-28 cs.CV q-bio.QM
DARA: Degradation-Aware Low-Rank Residual Adaptation with Original-to-Corrupted Distillation for Corruption-Robust Animal Re-Identification
The University of Auckland（奥克兰大学）
研究抗损坏动物再识别，提出DARA方法，冻结微调主干，通过学习低秩残差专家适应退化输入嵌入，结合原始到损坏蒸馏稳定修复，实验证明其在损坏查询检索上表现优异，能推广且计算量小。
2026-07-21 cs.CV
WildFusion: Individual Animal Identification with Calibrated Similarity Fusion
Czech Technical University in Prague（布拉格捷克技术大学）；University of West Bohemia（西波希米亚大学）；Inria（法国国家信息与自动化研究所）；University of Montpellier（蒙彼利埃大学）；CNRS（法国国家科学研究中心）
WildFusion通过校准融合深度评分和局部匹配相似度进行动物个体识别，在零样本设置下平均准确率达84.0%，显著优于现有技术。
2024-08-23 cs.CV
AnimalClue: Recognizing Animals by their Traces
The University of Osaka（大阪大学）；Kyoto University（京都大学）；Tokyo Institute of Technology（东京技术大学）；National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）；Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
提出首个大规模动物痕迹物种识别数据集 AnimalClue，覆盖多类间接线索与近千物种，并通过代表性视觉模型评估揭示分类、检测和分割挑战。
2025-07-27 cs.CV
Self-Supervised Animal Identification for Long Videos
University of Bristol（布里斯托大学）
本研究提出了一种高效的自监督方法，通过全局聚类任务实现长时间视频中动物个体的高精度识别，准确率超过97%，且内存消耗低，适用于资源受限环境。
2026-01-14 cs.CV
WildlifeDatasets: An open-source toolkit for animal re-identification
Czech Technical University in Prague（捷克布拉格技术大学）；University of West Bohemia（西波西米亚大学）；INRIA（法国国家信息与自动化研究所）；Queen Mary University of London（伦敦玛丽女王大学）
本研究推出面向动物重识别的Python开源工具包WildlifeDatasets，提供数据集访问、预处理等功能，完成多方法全面对比，并提出多物种重识别基础模型MegaDescriptor，性能优于CLIP等模型，已开源多版本。
2023-12-14 cs.CV
Combining feature aggregation and geometric similarity for re-identification of patterned animals
Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出融合斑纹特征聚合的外观相似性与几何一致性相似性的再识别方法，兼顾局部与全局特征，并在塞马环斑海豹和鲸鲨上验证了良好准确率。
2023-08-11 cs.AI cs.CV
MetaWild: A Multimodal Dataset for Animal Re-Identification with Environmental Metadata
University of Auckland（奥克兰大学）
针对现有动物重识别数据集仅依赖视觉数据的局限，提出含环境元数据的多模态数据集MetaWild，并设计轻量级元特征适配器MFA以结合元数据与视觉信息，实验验证其能持续提升重识别性能。
2025-08-20 cs.CV cs.LG
BuckTales : A multi-UAV dataset for multi-object tracking and re-identification of wild antelopes
Max Planck Institute of Animal Behavior（马克斯·普朗克动物行为研究所）；University of Konstanz（康斯坦茨大学）；Indian Institute of Science（印度科学学院）；BITS Pilani Hyderabad（BITS Pilani海得拉巴校区）
本文提出首个大规模多无人机数据集BuckTales，用于野生羚羊的多目标跟踪与重识别研究，以推动野生动物行为自动化长期监测与计算机视觉算法发展。
2024-11-11 cs.CV
FTN: Foreground-Guided Texture-Focused Person Re-Identification
Huazhong University of Science and Technology（华中科技大学）；Nanyang Technological University（南洋理工大学）
人员重新识别（Re-ID）是一项具有挑战性的任务，因为人员通常处于不同的背景中。最新的Re-ID方法平等对待前景和背景信息进行个人判别学习，但当不同的人处于相似的背景或同一个人处于不同的背景时，很容易导致潜在的虚警问题。在本文中，我们提出了一个前景引导的纹理聚焦网络（FTN）的Re-ID，它可以削弱不相关的背景表示和突出的属性人相关的端到端的方式。FTN由一个语义编码器（S-Enc）和一个紧凑的前景注意模块（CFA）的Re-ID任务，和一个纹理为重点的解码器（TF-Dec）的重建任务。特别地，我们为TF-Dec建立了一个前景引导的半监督学习策略，因为重建的地面真值只是由高斯掩码和CFA生成的注意力掩码加权的FTN的输入。此外，引入了一种新的梯度损失，以鼓励网络挖掘输入和重建输出之间的纹理一致性。我们的FTN是计算效率和广泛的实验上三个常用的数据集Market 1501，CUHK 03和MSMT 17证明，所提出的方法表现良好，对国家的最先进的方法。
2020-09-24 cs.CV
Hyperspectral Image Dataset for Individual Penguin Identification
Tokyo Denki University（东京电机大学）；School of System Design and Technology（系统设计技术学院）；Tokyo Institute of Technology（东京工业大学）；School of Engineering（工学院）
本文首次利用高光谱图像进行个体企鹅识别，构建了包含27只企鹅990幅高光谱图像的数据集，实验证明光谱信息可有效用于个体识别。
2024-05-23 cs.CV
re-OBJ: Jointly Learning the Foreground and Background for Object Instance Re-identification
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli studi di Genova（热那亚大学）
对象实例重新识别的常规方法依赖于在一组帧之间匹配目标对象的外观。然而，当场景中存在具有相似外观的多个对象或相同对象类的多个实例时，单独学习对象的外观可能会失败。本文提出的背景的部分观察，可以用来帮助在对象重新识别任务的刚性场景，特别是一个刚性的环境，有很多重复出现的相同模型的对象。使用Mask R-CNN架构的扩展，我们学习将背景中的重要和独特信息与与刚性现实世界场景相关的前景联合编码，例如室内环境，其中对象是静态的，相机在场景中移动。我们证明了我们的联合视觉特征在重新识别ScanNet数据集中的对象方面的有效性，并显示出比deepSort方法在rank-1准确度上相对提高了约28.25%。
2019-09-23 cs.CV
The Sloop System for Individual Animal Identification with Deep Learning
Massachusetts Institute of Technology（麻省理工学院）
麻省理工学院的单桅帆船系统索引和检索照片从数据库的非固定动物种群分布。要做到这一点，它自适应地表示和匹配通用的视觉特征表示使用稀疏的相关反馈从专家和人群。在这里，我们描述了单桅帆船系统及其应用，然后将其方法与标准的深度学习公式进行比较。然后，我们表明，启动幅度和变形功能需要非常浅的网络，以产生优越的识别结果。结果表明，相关反馈，使单桅帆船的高召回性能也可能是必不可少的深度学习方法，以个人识别提供可比的结果。
2020-03-01 cs.CV cs.IR
From Visual to Multimodal: Systematic Ablation of Encoders and Fusion Strategies in Animal Identification
Faculty of IT, Technical University of Communication（信息科技学院，通信技术大学）；AI lab, Avito（人工智能实验室，Avito）
本研究提出多模态验证框架，通过合成文本描述提升视觉特征，利用门控融合机制在动物识别中实现84.28%的准确率，比单一模态基线提升11%。
2026-08-11 cs.CV
Discriminative Feature Learning with Foreground Attention for Person Re-Identification
Xi’an Jiaotong University（西安交通大学）；Deep North Inc.（Deep North公司）；Shanxi University（山西大学）
相互遮挡和背景杂波引起的大的交叉视角外观变化严重影响了人物再识别的性能。因此，学习一个特征表示，可以自适应地强调前景的人成为非常关键的解决人的重新识别问题。在本文中，我们提出了一个简单而有效的前景关注神经网络（FANN）学习一个判别特征表示的人的Re-ID，它可以自适应地增强正面的前景和削弱负面的背景。具体地说，一个新的前景注意子网络的设计，以驱动网络的注意力，其中解码器网络用于重建二进制掩码通过使用一种新的局部回归损失函数，和编码器网络的正则化的解码器网络，使其注意力集中在前景的人。编码器网络得到的特征图被进一步馈送到身体部分子网络和特征融合子网络中以学习区分性特征。此外，一个新的对称三元组损失函数被引入到监督特征学习，其中类内距离最小化，类间距离最大化，同时在每个三元组单元。在多任务学习框架中训练我们的FANN，可以学习区分特征表示，以在图库中的各种候选者中找到每个探针的匹配参考。在几个公共基准数据集上进行了广泛的实验结果评估，这些结果表明我们的方法比最先进的方法有明显的改进。
2019-03-30 cs.CV
An Individual Identity-Driven Framework for Animal Re-Identification
School of Computer Science, University of Auckland（奥克兰大学计算机科学学院）
针对现有动物重识别方法泛化性不足、视觉语言模型应用受限的问题，提出基于CLIP的两阶段IndivAID框架，通过生成个体专属文本描述、结合注意力模块强化判别特征，在多数据集上取得优于现有方法的效果。
2024-10-30 cs.CV cs.LG
Aerial Animal Biometrics: Individual Friesian Cattle Recovery and Visual Identification via an Autonomous UAV with Onboard Deep Inference
University of Bristol（布里斯托大学）
本文描述了一种计算增强的M100无人机平台，该平台具有机载深度学习推理系统，用于集成计算机视觉和导航，能够自主发现和视觉识别自由移动牛群中的个体荷斯坦黑白花奶牛。我们提出了一种方法，利用三个深度卷积神经网络架构在飞机上实时运行;即基于YoloV 2的物种检测器，提供探索性代理的双流CNN和基于InceptionV 3的生物识别LRCN用于个体动物识别。我们评估了每个组件的性能离线，也在线通过现实世界的现场测试，包括146.7分钟的自主低空飞行在农场环境中的分散的牛群17头小母牛奶牛。我们在这个在线实验中报告了无错误的识别性能。该概念验证系统是同类系统中的第一个，也是在开放牧场环境中从空中对单个动物进行自主生物识别的成功一步，以支持农业和生态学中的无标签人工智能。
2019-07-11 cs.CV cs.RO
Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers
CTO Animal Detect（Animal Detect 公司）；CEO Animal Detect（Animal Detect 公司）
提出一种结合SpeciesNet与CLIP及度量学习的分层再分类系统，通过五阶段流程将高层级动物标签细化为物种级，在LILA数据集上以96.5%准确率实现64.9%物种识别。
2025-10-16 cs.CV
Distinguishing Individual Red Pandas from Their Faces
Sichuan University（四川大学）；Chengdu Research Base of Giant Panda Breeding（成都大熊猫繁育研究基地）
个体识别是动物行为学和生态学研究的基础，对保护濒危物种具有重要意义。小熊猫是世界上最稀有的动物之一，目前主要通过视觉检查和微电子芯片来识别，这是昂贵和低效的。基于近年来基于计算机视觉的动物身份识别技术的发展，本文提出了一种基于人脸图像的小熊猫个体自动识别框架。我们通过探索完善的深度学习模型来实现框架，并进行必要的调整，以有效地处理小熊猫图像。基于我们建立的小熊猫图像数据库，我们评估了所提出的小熊猫个体自动识别方法的有效性。评价结果表明，自动识别个体小熊猫从他们的脸有前途的潜力。我们将在公共领域发布我们的数据库和模型，以促进自动动物识别的研究，特别是对小熊猫保护技术的研究。
2019-08-09 cs.CV
Foreground-aware Pyramid Reconstruction for Alignment-free Occluded Person Re-identification
在多个不相交的摄像机视图中重新识别人对于智能视频监控、智能零售和许多其他应用非常重要。然而，现有的人重新识别（ReID）方法的挑战，无处不在的人的遮挡，并遭受性能下降。本文提出了一种新的遮挡鲁棒性和无遮挡的遮挡人ReID模型，并将其应用扩展到现实和拥挤的场景。该模型首先利用全卷积网络（FCN）和金字塔池提取空间金字塔特征。然后，无遮挡的匹配方法，即前景感知金字塔重建（FPR），被开发用于准确地计算被遮挡人之间的匹配分数，尽管他们的尺度和大小不同。FPR使用来自空间金字塔特征的鲁棒重建的误差来测量两个人之间的相似性。更重要的是，我们设计了一个遮挡敏感的前景概率生成器，更侧重于干净的人体部位，以改善相似性计算，减少遮挡的污染。FPR可轻松嵌入任何端到端人员ReID模型。实验结果清楚地证明了该方法的有效性三个被遮挡人员数据集上的（1级精度）：部分REID（78.30%）、部分iLIDS（68.08%）和闭塞REID（81.00%）;以及三个基准个人数据集：Market 1501（95.42%）、DukeMTMC（88.64%）和CUHK 03（76.08%）
2019-04-11 cs.CV
Calibrated Similarity and Graph Clustering for Open-Set Animal Re-Identification
Made In Alexandria Artificial Intelligence Team（亚历山大制造人工智能团队）；Faculty of Computer Science and Engineering, Alamein International University（阿拉曼国际大学计算机科学与工程学院）；Faculty of Computers and Data Science, Alexandria University（亚历山大大学计算机与数据科学学院）；Faculty of Engineering, Alexandria University（亚历山大大学工程学院）；Alexandria Higher Institute of Engineering and Technology（亚历山大高等工程与技术学院）；Moscow Pedagogical State University (MPGU University)（莫斯科国立师范大学（MPGU大学））
本文针对AnimalCLEF26的开放集动物重识别任务，提出结合物种感知预处理的校准全局-局部融合方法，经实验其集成模型取得公开ARI 0.72124等优异结果，优于基线模型。
2026-08-04 cs.CV
Understanding the Impact of Training Set Size on Animal Re-identification
LUT University（拉普兰塔理工大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Wild Me；Conservation X Labs
本研究通过六种方法和五种动物的实验，探讨训练集规模对动物再识别的影响，发现物种个体内方差显著影响数据需求，局部特征方法在数据有限时更实用。
2024-05-24 cs.CV q-bio.PE
Semi-Supervised Recognition of the Diploglossus Millepunctatus Lizard Species using Artificial Vision Algorithms
Universidad de Antioquia（安蒂奥基亚大学）
动物生物识别技术是监测和保护任务的重要要求。传统的动物生物特征识别技术存在着对动物完整性的风险，对于数量众多的动物来说成本昂贵，并且依赖于专家标准。非侵入性生物识别技术提供了管理上述问题的替代方案。本文提出了一种基于人工视觉算法的点状双舌鱼自动分割识别算法。千点双舌鱼是一种濒危蜥蜴。该算法基于两个阶段：自动分割，以消除主观评价，和一个识别阶段，以减少分析时间。平均分割正确率为82.87%。同时采用迭代最近点法和普鲁克分析法等欧氏距离点算法实现了识别算法。前1名的绩效达到92.99%，前5名达到96.82%。所开发的软件和本文所用的数据库可从该项目的网页上公开下载。
2016-11-09 cs.CV
Background Matters Too: A Language-Enhanced Adversarial Framework for Person Re-Identification
针对行人重识别中背景干扰及现有多模态方法忽略背景语义的问题，提出融合前景背景建模、结合语义内对齐与语义间对抗学习的语言增强框架，在多基准上达到或超越SOTA。
2025-09-03 cs.CV
Persistent Animal Identification Leveraging Non-Visual Markers
University of Edinburgh（爱丁堡大学）；Fudan University（复旦大学）；MRC Harwell（英国医学研究理事会哈维尔研究所）；University of Oxford（牛津大学）
针对家笼环境中小鼠视觉特征难区分、遮挡频繁导致视觉跟踪失效的问题，研究结合RFID粗略定位信息，通过整数线性规划求解分配问题并构建轨迹与RFID亲和度概率模型，实现77%准确率的持续性小鼠识别，还可剔除遮挡时的虚假检测。
2023-07-19 cs.CV math.CO
Video-based cattle identification and action recognition
CSIRO Data61（联邦科学与工业研究组织数据61）；NSW Department of Primary Industries（新南威尔士州初级产业部）；UNE（新英格兰大学）；CSIRO Agriculture and Food（联邦科学与工业研究组织农业与食品）
我们展示了一个工作原型，通过自动分析动物的行为监测奶牛福利。深度学习模型已被开发，并在农场采集的视频进行测试，奶牛识别的准确率达到81.2%。对饮水事件的检测准确率为84.4%，对放牧事件的检测准确率为94.4%。实验结果表明，所提出的深度学习方法可用于识别个体动物的行为，以实现自动化农场种源。我们的原始数据集和地面实况数据集将作为第一个用于奶牛识别和动作识别的公共视频数据集发布。并提出了进一步发展的建议。
2021-10-14 cs.CV
Automated Visual Fin Identification of Individual Great White Sharks
University of Bristol（布里斯托大学）；Save Our Seas Foundation（守护海洋基金会）
本文讨论了从背鳍图像中自动识别大白鲨个体的方法。我们提出了一个计算机视觉照片ID系统和报告识别结果超过数千个无约束的鳍图像的数据库。据我们所知，这一系列工作建立了动物生物识别领域第一个全自动的基于轮廓的视觉ID系统。提出的方法赞赏鲨鱼鳍作为无纹理，灵活和部分闭塞的对象与个人特征的形状。为了从图像中恢复动物身份，我们首先引入了一个开放的轮廓笔划模型，它扩展了多尺度区域分割，以实现强大的鳍检测。其次，我们表明，组合，尺度空间选择性指纹可以成功地编码鳍个性。然后，我们通过嵌入到一个全球性的“鳍空间”测量沿鳍轮廓的视觉个性的物种特异性分布。利用这一领域，我们最终提出了一个非线性模型的个别动物识别，并结合到一个细粒度的多实例框架的所有方法。我们提供了一个系统评估，比较结果，以前的工作，并详细报告性能和属性。
2016-10-01 cs.CV
Resolution-invariant Person Re-Identification
Peking University（北京大学）；Horizon Robotics, Inc（地平线机器人公司）
在实际应用中，人物图像的分辨率变化很大，利用分辨率不变表示进行人物再识别（ReID）至关重要。本文通过端到端的CNN学习，联合训练前景聚焦超分辨率（FFSR）模块和分辨率不变特征提取器（RIFE），学习对分辨率方差具有鲁棒性的人物表示。FFSR使用完全卷积自动编码器来放大人物前景，其中跳过连接是通过前景焦点训练损失来学习的。RIFE采用两个特征提取流加权的双注意力块，学习低，高分辨率图像的特征，分别。这两个互补的模块被联合训练，从而产生强分辨率不变的表示。我们评估了我们的方法在五个数据集包含人的图像在一个大范围的分辨率，我们的方法显示出显着的优越性，现有的解决方案。例如，我们在CAVIAR和MLR-CUHK 03上实现了36.4%和73.3%的Rank-1准确率，分别超过了2.9%和2.6%。
2019-06-28 cs.CV
EDEN: Deep Feature Distribution Pooling for Saimaa Ringed Seals Pattern Matching
Peter the Great St. Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）；Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学LUT）
本文采用皮毛模式匹配的方法来解决塞马环斑海豹个体的再识别问题。动物的重新识别以及通过相机陷阱和众包获得大量图像材料为动物监测和保护提供了新的可能性。我们提出了一种新的特征池的方法，允许聚合的本地模式的功能，以获得一个固定大小的嵌入向量，结合全球功能，考虑到空间分布的功能。这是通过对表示特征图的概率质量函数计算的协方差进行本征分解获得的。然后可以使用嵌入向量在已知个体的数据库中找到最佳匹配，从而允许动物重新识别。实验结果表明，在具有挑战性的塞马环斑海豹图像数据上，所提出的池化方法优于现有方法。
2021-08-24 cs.CV
PawPrint: Whose Footprints Are These? Identifying Animal Individuals by Their Footprints
Sungkyunkwan University（成均馆大学）
针对传统宠物识别方法的局限，本文提出PawPrint数据集，利用深度网络与局部特征进行个体足迹识别，为非侵入性宠物管理和野生动物保护提供新途径。
2025-05-23 cs.CV
NORPPA: NOvel Ringed seal re-identification by Pelage Pattern Aggregation
Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂工业大学（LUT大学））；University of Helsinki（赫尔辛基大学）
提出了一种新的环斑海豹（Pusa hispida saimensis）的再鉴定方法。通过相机捕获和众包获取大量图像为动物监测和保护提供了新的可能性，并要求自动分析方法，特别是在从图像中重新识别单个动物时。本文提出的方法NORPPA利用塞马环斑海豹永久的、独特的皮毛模式和基于内容的图像检索技术，对环斑海豹进行了重新识别。首先对查询图像进行预处理，并对每个印章实例进行分割。接着，使用基于U-网编码器-解码器的方法提取海豹的皮毛图案。然后，基于CNN的仿射不变特征被嵌入并聚合到Fisher向量中。最后，Fisher向量之间的余弦距离用于从已知个体的数据库中找到最佳匹配。我们进行了广泛的实验的各种修改的方法上一个新的具有挑战性的塞马环斑海豹重新识别数据集。与其他方法相比，所提出的方法在我们的数据集上产生最好的重新识别精度。
2022-06-19 cs.CV
Parameter-Efficient Vision-Language Adaptation with Continuous Metadata Conditioning for Animal Re-Identification
Department of Computer Science, University of Verona（维罗纳大学计算机科学系）；Institute of Marine Research（海洋研究所）；University of Agder, Centre for Coastal Research（阿格德大学海岸研究中心）
针对动物再识别中适应纵向生态环境的挑战，提出基于连续元数据条件的参数高效CLIP适配框架，通过保留元数据连续结构，在训练中平滑调制嵌入空间，提升了对外观变化和分布偏移的鲁棒性，实现纯视觉推理管道。
2026-07-13 cs.AI cs.CV
Insights on back marking for the automated identification of animals
本文通过分析训练区分猪的机器学习模型，探讨了背标记设计的关键因素，强调在运动模糊、多角度和遮挡条件下标记的清晰度及数据增强策略的重要性。
2026-10-22 cs.CV cs.LG
The SA-FARI Dataset: Segment Anything in Footage of Animals for Recognition and Identification
Conservation X Labs (CXL)（Conservation X Labs）；Meta；University of Bristol（布里斯托大学）；Hasso Plattner Institute（哈索罗滕堡研究所）；University of Oviedo（奥维多大学）；Osa Conservation（Osa保护）；Senckenberg Museum of Natural History（Senckenberg自然史博物馆）；Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所）；Climate Corridors（气候走廊）
SA-FARI数据集通过高物种多样性、多地区覆盖和高质量时空标注，为野生动物多动物跟踪提供了新的研究基础。
2025-11-24 cs.AI cs.CV
Towards Automatic Identification of Elephants in the Wild
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）
从大量可能的个体中识别动物对于生物多样性监测非常重要，特别是对于收集少数特别感兴趣的个体的数据，因为在这样做之前必须首先识别这些个体。识别它们可能是一项非常耗时的任务。如果动物看起来非常相似，只有少数独特的特征，就像大象一样，这一点尤其正确。在大多数情况下，大象只会在一个地方停留很短的时间，在此期间，需要对大象进行识别，以了解是否需要收集有关它的新数据。因此，一个支持研究人员识别大象的系统将大大有助于加快这一过程。在本文中，我们提出了这样一个系统，用于识别大象在面对大量的个人，只有很少的训练图像，每个人。为此，我们结合对象部分定位，现成的CNN功能，和支持向量机分类提供现场研究的建议，可能的个人给予新的图像的大象。我们的系统的性能在一个数据集上得到了证明，该数据集包括276头大象的2078张图像，我们实现了56%的前1名测试准确率和80%的前10名准确率。为了处理数据集中存在的遮挡、不同视点和不同姿势，我们还使分析师能够向系统提供待识别的同一大象的多个图像，并聚合分类器生成的置信度值。这样，我们的系统在测试数据集上达到了74%的前1准确率和88%的前10准确率。
2018-12-11 cs.CV
Open-Set Cattle Muzzle Identification: A Leakage-Controlled Benchmark and Evaluation Protocol
Tribhuvan University（特里布文大学）；Fort Valley State University（山谷堡州立大学）
该研究针对现有牛鼻纹识别闭集假设的局限，提出开放集牛鼻纹识别任务，构建泄漏控制评估协议，对比混合CNN-ViT模型与MegaDescriptor-L模型，验证了阈值校准等对开放集识别的关键作用。
2026-09-01 cs.CV
What Does Animal Re-Identification Learn? Linear Biological Concepts and Their Origins in Visual Representations
Hasso-Plattner Institute（哈索·普拉特纳研究院）；University of Potsdam（波茨坦大学）；Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）
本研究通过可解释性方法揭示，基于ViT的动物再识别模型在无显式监督下，其表示中涌现出可泛化的性别和年龄线性概念，且训练仅重定位而非创造这些概念，为野生动物监测的可审计性提供了新视角。
2026-09-09 cs.AI cs.CV
Robust Re-identification of Manta Rays from Natural Markings by Learning Pose Invariant Embeddings
School of Electrical Engineering and Computer Science, Queensland University of Technology（昆士兰科技大学电气工程与计算机科学学院）；School of Biomedical Science, The University of Queensland（昆士兰大学生物医学科学学院）；School of Information Technology and Electrical Engineering, The University of Queensland（昆士兰大学信息技术与电气工程学院）
视觉识别具有独特自然身体标记的个体动物是野生动物保护的重要任务。动物斑纹的照片数据库变得越来越大，每一个新的观察结果都必须与数千张图像相匹配。现有的照片识别解决方案对图像质量和图像中感兴趣图案的外观具有约束。这些限制限制了公民科学家照片的使用。我们提出了一种新的系统，视觉重新识别的基础上，独特的自然标记，是强大的遮挡，视点和照明变化。我们调整了为人脸重新识别开发的方法，并实现了一个深度卷积神经网络（CNN）来学习自然标记图像的嵌入。学习的嵌入点之间的距离提供了对应输入图像之间的相异性度量。使用三元组损失函数和在线半硬三元组挖掘策略对网络进行优化。拟定的重新鉴定方法是通用的，而不是种属特异性的。我们评估所提出的系统对图像数据库的蝠鲼腹部图案和座头鲸吸虫。为了具有实用价值并被海洋生物学家采用，重新识别系统需要具有至少95%的前10名准确率。所提出的系统达到了这一性能标准。
2019-02-28 cs.CV
Towards Individual Grevy's Zebra Identification via Deep 3D Fitting and Metric Learning
University of Bristol（布里斯托大学）；Princeton University（普林斯顿大学）
本文将用于物种检测、3D模型拟合和度量学习的深度学习技术结合在一个管道中，通过利用独特的皮毛图案从照片中识别个体动物。这是尝试这一点的第一项工作，与传统的2D限界框或基于分割的CNN识别管道相比，该方法提供了有效和明确的视点归一化，并允许直接可视化学习的生物特征群体空间。注意，由于使用度量学习，流水线也容易应用于开集和zero shot重新识别场景。我们将所提出的方法应用于个体Grevy斑马（Equus grevyi）识别，并在SMALST数据集上的一项小型研究中显示，使用3D模型拟合确实可以提高性能。特别是，从3D拟合模型的反向投影纹理提高识别精度从48.0%到56.8%相比，2D限界框方法的数据集。虽然这项研究太小，无法准确估计在大规模现实世界应用环境中可实现的全部性能潜力，并与抛光工具进行比较，但我们的工作为动物生物识别技术的下一步奠定了概念和实践基础，以实现深度度量学习驱动，在开放的种群环境中完全3D感知动物识别。我们发布了网络权重和相关的促进源代码与本文的完全再现性和进一步研究的灵感。
2022-08-09 cs.CV cs.LG
Automated Species Identification in Camera Trap Images for Wildlife Conservation
Brac University（布拉克大学）
本研究提出一种集成自注意力机制和Swin-BiFPN骨干的Faster RCNN框架，结合LLaVA多模态模型，提升低对比度陷阱图像中小型动物的检测精度，并实现零样本检测。
2026-09-29 cs.CV
Disentangling Foreground and Background for vision-Language Navigation via Online Augmentation
Hefei University of Technology（合肥工业大学）
针对视觉语言导航中视觉观测前景与背景作用未被充分挖掘的问题，提出共识驱动的在线特征增强策略COFA，通过解耦前后景特征并结合两阶段投票整合偏好，在REVERIE和R2R数据集上实现了当前最优性能，提升了模型泛化能力。
2025-10-01 cs.CV
A Non-Invasive Alternative to RFID: Self-Sufficient 3D Identification of Group-Housed Livestock
University of Arkansas Fayetteville（阿肯色大学富特海斯分校）
本文提出基于 3D 点云数据的非侵入式识别系统，采用自给自足的半监督框架 TARA，通过动态校准机制实现牛群身份一致性，实验表明在无标签环境中实现 100% 准确率，为自主动物监测提供新方案。
2026-04-24 cs.CV
Active Learning for Animal Re-Identification with Ambiguity-Aware Sampling
针对动物重识别零样本性能不足、标注成本高的问题，提出基于互补聚类的歧义感知主动学习框架，仅用0.033%标注即显著提升已知/未知物种及开集场景性能，优于现有基础、无监督和主动学习方法。
2025-11-11 cs.AI cs.CV
