Similarity Learning Networks for Animal Individual Re-Identification --\n Beyond the Capabilities of a Human Observer
Notice bibliographique
Résumé
Deep learning has become the standard methodology to approach computer vision\ntasks when large amounts of labeled data are available. One area where\ntraditional deep learning approaches fail to perform is one-shot learning tasks\nwhere a model must correctly classify a new category after seeing only one\nexample. One such domain is animal re-identification, an application of\ncomputer vision which can be used globally as a method to automate species\npopulation estimates from camera trap images. Our work demonstrates both the\napplication of similarity comparison networks to animal re-identification, as\nwell as the capabilities of deep convolutional neural networks to generalize\nacross domains. Few studies have considered animal re-identification methods\nacross species. Here, we compare two similarity comparison methodologies:\nSiamese and Triplet-Loss, based on the AlexNet, VGG-19, DenseNet201,\nMobileNetV2, and InceptionV3 architectures considering mean average precision\n(mAP)@1 and mAP@5. We consider five data sets corresponding to five different\nspecies: humans, chimpanzees, humpback whales, fruit flies, and Siberian\ntigers, each with their own unique set of challenges. We demonstrate that\nTriplet Loss outperformed its Siamese counterpart for all species. Without any\nspecies-specific modifications, our results demonstrate that similarity\ncomparison networks can reach a performance level beyond that of humans for the\ntask of animal re-identification. The ability for researchers to re-identify an\nanimal individual upon re-encounter is fundamental for addressing a broad range\nof questions in the study of population dynamics and community/behavioural\necology. Our expectation is that similarity comparison networks are the\nbeginning of a major trend that could stand to revolutionize animal\nre-identification from camera trap data.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».