使用视觉Transformer的零样本野生动物分类：评估聚类与连续相似性排序
Zero-Shot Wildlife Sorting Using Vision Transformers: Evaluating Clustering and Continuous Similarity Ordering
AI总结：
本研究在Animal Detect平台中评估零样本野生动物图像组织方法，发现DINOv2结合UMAP和GMM聚类达到88.6%准确率，连续一维排序在鱼类上达95.2%一致性，并已部署到生产环境以加速生物多样性监测的标注流程。
摘要：
相机陷阱产生了数百万张野生动物图像，然而许多数据集包含现有分类器未涵盖的物种。本研究评估了使用自监督视觉Transformer对未标记野生动物图像进行零样本组织的方法，该方法在用于相机陷阱分析的Animal Detect平台内开发和测试。我们比较了三种架构（CLIP、DINOv2、MegaDescriptor）上的无监督聚类方法（DBSCAN、GMM），并结合降维技术（PCA、UMAP），同时展示了通过t-SNE投影实现的连续一维相似性排序。在一个仅用于评估的带有真实标签的5物种测试集上，DINOv2结合UMAP和GMM达到了88.6%的准确率（宏F1=0.874），而一维排序在1500张图像中，对哺乳动物和鸟类达到了88.2%的一致性，对鱼类达到了95.2%的一致性。基于这些发现，我们将连续相似性排序部署到生产环境中，实现了快速探索性分析，并加速了生物多样性监测的人工标注工作流程。
英文摘要：
Camera traps generate millions of wildlife images, yet many datasets contain species that are absent from existing classifiers. This work evaluates zero-shot approaches for organizing unlabeled wildlife imagery using self-supervised vision transformers, developed and tested within the Animal Detect platform for camera trap analysis. We compare unsupervised clustering methods (DBSCAN, GMM) across three architectures (CLIP, DINOv2, MegaDescriptor) combined with dimensionality reduction techniques (PCA, UMAP), and we demonstrate continuous 1D similarity ordering via t-SNE projection. On a 5-species test set with ground truth labels used only for evaluation, DINOv2 with UMAP and GMM achieves 88.6 percent accuracy (macro-F1 = 0.874), while 1D sorting reaches 88.2 percent coherence for mammals and birds and 95.2 percent for fish across 1,500 images. Based on these findings, we deployed continuous similarity ordering in production, enabling rapid exploratory analysis and accelerating manual annotation workflows for biodiversity monitoring.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
