AnimalClue : Reconnaître les animaux par leurs traces

papers.abstract

L'observation de la faune joue un rôle crucial dans la conservation de la biodiversité, nécessitant des méthodologies robustes pour surveiller les populations animales et les interactions interspécifiques. Les récents progrès en vision par ordinateur ont grandement contribué à l'automatisation des tâches fondamentales d'observation de la faune, telles que la détection d'animaux et l'identification des espèces. Cependant, l'identification précise des espèces à partir de preuves indirectes comme les empreintes et les excréments reste relativement peu explorée, malgré son importance pour la surveillance de la faune. Pour combler cette lacune, nous présentons AnimalClue, le premier jeu de données à grande échelle pour l'identification des espèces à partir d'images de preuves indirectes. Notre jeu de données comprend 159 605 boîtes englobantes couvrant cinq catégories de preuves indirectes : empreintes, excréments, œufs, os et plumes. Il englobe 968 espèces, 200 familles et 65 ordres. Chaque image est annotée avec des étiquettes au niveau des espèces, des boîtes englobantes ou des masques de segmentation, ainsi que des informations détaillées sur les traits, incluant les schémas d'activité et les préférences d'habitat. Contrairement aux jeux de données existants principalement axés sur les caractéristiques visuelles directes (par exemple, l'apparence des animaux), AnimalClue présente des défis uniques pour les tâches de classification, de détection et de segmentation d'instances en raison de la nécessité de reconnaître des caractéristiques visuelles plus détaillées et subtiles. Dans nos expériences, nous évaluons de manière approfondie des modèles de vision représentatifs et identifions les principaux défis dans l'identification des animaux à partir de leurs traces. Notre jeu de données et notre code sont disponibles à l'adresse https://dahlian00.github.io/AnimalCluePage/

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/

AnimalClue : Reconnaître les animaux par leurs traces

AnimalClue: Recognizing Animals by their Traces

papers.abstract

Support