AnimalClue: Dieren herkennen aan hun sporen

Samenvatting

Wildlife-observatie speelt een belangrijke rol in het behoud van biodiversiteit, wat robuuste methodologieën vereist voor het monitoren van wildpopulaties en interacties tussen soorten. Recente vooruitgang in computervisie heeft aanzienlijk bijgedragen aan het automatiseren van fundamentele wildlife-observatietaken, zoals dierdetectie en soortidentificatie. Het nauwkeurig identificeren van soorten op basis van indirecte aanwijzingen zoals voetafdrukken en uitwerpselen blijft echter relatief onderbelicht, ondanks het belang ervan voor wildlife-monitoring. Om deze kloof te overbruggen, introduceren we AnimalClue, de eerste grootschalige dataset voor soortidentificatie op basis van afbeeldingen van indirecte aanwijzingen. Onze dataset bestaat uit 159.605 begrenzingsvakken die vijf categorieën van indirecte aanwijzingen omvatten: voetafdrukken, uitwerpselen, eieren, botten en veren. Het bestrijkt 968 soorten, 200 families en 65 ordes. Elke afbeelding is geannoteerd met soort-specifieke labels, begrenzingsvakken of segmentatiemaskers, en gedetailleerde kenmerkinformatie, waaronder activiteitspatronen en habitatvoorkeuren. In tegenstelling tot bestaande datasets die zich vooral richten op directe visuele kenmerken (bijv. uiterlijk van dieren), stelt AnimalClue unieke uitdagingen voor classificatie-, detectie- en instantiesegmentatietaken vanwege de noodzaak om meer gedetailleerde en subtiele visuele kenmerken te herkennen. In onze experimenten evalueren we uitgebreid representatieve visuele modellen en identificeren we belangrijke uitdagingen bij het identificeren van dieren aan de hand van hun sporen. Onze dataset en code zijn beschikbaar op 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: Dieren herkennen aan hun sporen

AnimalClue: Recognizing Animals by their Traces

Samenvatting

Support