AnimalClue: Tiere anhand ihrer Spuren erkennen

AnimalClue: Recognizing Animals by their Traces

July 27, 2025

papers.authors: Risa Shinoda, Nakamasa Inoue, Iro Laina, Christian Rupprecht, Hirokatsu Kataoka

cs.AI

papers.abstract

Die Beobachtung von Wildtieren spielt eine wichtige Rolle beim Schutz der biologischen Vielfalt und erfordert robuste Methoden zur Überwachung von Wildtierpopulationen und interspezifischen Interaktionen. Jüngste Fortschritte in der Computer Vision haben wesentlich dazu beigetragen, grundlegende Aufgaben der Wildtierbeobachtung, wie die Erkennung von Tieren und die Identifizierung von Arten, zu automatisieren. Die genaue Identifizierung von Arten anhand indirekter Hinweise wie Fußabdrücken und Kot bleibt jedoch relativ wenig erforscht, obwohl sie einen wichtigen Beitrag zur Überwachung von Wildtieren leistet. Um diese Lücke zu schließen, stellen wir AnimalClue vor, den ersten groß angelegten Datensatz zur Artidentifizierung anhand von Bildern indirekter Hinweise. Unser Datensatz umfasst 159.605 Bounding Boxes, die fünf Kategorien indirekter Hinweise abdecken: Fußabdrücke, Kot, Eier, Knochen und Federn. Er umfasst 968 Arten, 200 Familien und 65 Ordnungen. Jedes Bild ist mit Art-Labels, Bounding Boxes oder Segmentierungsmasken sowie detaillierten Merkmalen wie Aktivitätsmustern und Habitatpräferenzen annotiert. Im Gegensatz zu bestehenden Datensätzen, die sich hauptsächlich auf direkte visuelle Merkmale (z. B. das Aussehen von Tieren) konzentrieren, stellt AnimalClue aufgrund der Notwendigkeit, detailliertere und subtilere visuelle Merkmale zu erkennen, einzigartige Herausforderungen für Klassifizierungs-, Erkennungs- und Instanzsegmentierungsaufgaben dar. In unseren Experimenten evaluieren wir umfassend repräsentative Vision-Modelle und identifizieren Schlüsselherausforderungen bei der Identifizierung von Tieren anhand ihrer Spuren. Unser Datensatz und der Code sind unter https://dahlian00.github.io/AnimalCluePage/ verfügbar.

English

Wildlife observation plays an important role in biodiversity conservation, necessitating robust methodologies for monitoring wildlife populations and interspecies interactions. Recent advances in computer vision have significantly contributed to automating fundamental wildlife observation tasks, such as animal detection and species identification. However, accurately identifying species from indirect evidence like footprints and feces remains relatively underexplored, despite its importance in contributing to wildlife monitoring. To bridge this gap, we introduce AnimalClue, the first large-scale dataset for species identification from images of indirect evidence. Our dataset consists of 159,605 bounding boxes encompassing five categories of indirect clues: footprints, feces, eggs, bones, and feathers. It covers 968 species, 200 families, and 65 orders. Each image is annotated with species-level labels, bounding boxes or segmentation masks, and fine-grained trait information, including activity patterns and habitat preferences. Unlike existing datasets primarily focused on direct visual features (e.g., animal appearances), AnimalClue presents unique challenges for classification, detection, and instance segmentation tasks due to the need for recognizing more detailed and subtle visual features. In our experiments, we extensively evaluate representative vision models and identify key challenges in animal identification from their traces. Our dataset and code are available at https://dahlian00.github.io/AnimalCluePage/