AnimalClue: Riconoscere gli animali dalle loro tracce

Abstract

L'osservazione della fauna selvatica svolge un ruolo cruciale nella conservazione della biodiversità, rendendo necessarie metodologie robuste per il monitoraggio delle popolazioni animali e delle interazioni interspecifiche. I recenti progressi nel campo della visione artificiale hanno contribuito in modo significativo all'automazione di compiti fondamentali nell'osservazione della fauna, come il rilevamento degli animali e l'identificazione delle specie. Tuttavia, l'identificazione accurata delle specie a partire da prove indirette, come impronte e feci, rimane relativamente poco esplorata, nonostante la sua importanza nel contribuire al monitoraggio della fauna. Per colmare questa lacuna, presentiamo AnimalClue, il primo dataset su larga scala per l'identificazione delle specie a partire da immagini di prove indirette. Il nostro dataset è composto da 159.605 bounding box che coprono cinque categorie di indizi indiretti: impronte, feci, uova, ossa e piume. Include 968 specie, 200 famiglie e 65 ordini. Ogni immagine è annotata con etichette a livello di specie, bounding box o maschere di segmentazione, e informazioni dettagliate sui tratti, come schemi di attività e preferenze di habitat. A differenza dei dataset esistenti, che si concentrano principalmente su caratteristiche visive dirette (ad esempio, l'aspetto degli animali), AnimalClue presenta sfide uniche per i compiti di classificazione, rilevamento e segmentazione delle istanze, a causa della necessità di riconoscere caratteristiche visive più dettagliate e sottili. Nei nostri esperimenti, valutiamo in modo approfondito modelli di visione rappresentativi e identifichiamo le principali sfide nell'identificazione degli animali a partire dalle loro tracce. Il nostro dataset e il codice sono disponibili all'indirizzo 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: Riconoscere gli animali dalle loro tracce

AnimalClue: Recognizing Animals by their Traces

Abstract

Support