arXiv cs.AI· Ankit K. Upadhyay, Aleksandr Algasov, Ekaterina Nepovinnykh, Fedor Zolotarev, Tuomas Eerola, Heikki K\"alvi\"ainen, Charles V. Stewart, Lukas Picek·· 10 小时前AI 评分18
CounterFactual Foreground Retrieval（CFR）：面向证据感知的个体动物识别评估协议
CounterFactual Retrieval for Evidence-Aware Individual Animal Identification
AI 导读
研究者提出 CounterFactual Foreground Retrieval（CFR），一种证据感知的个体动物识别评估协议，通过全图、仅前景、仅捷径三种视图把检索分数转化为证据画像，揭示模型是否依赖身份相关的背景捷径。团队为 34 个数据集发布约 0.5M 个掩码及掩码生成与 CFR 评估代码，该工作已被 WACV 2027 接收。
正文 · AI 翻译
摘要：个体动物的自动识别正从精心策划的小规模研究转向共享基准和可复用的基础模型。这一进展是有用的，但当前的评估并未解决匹配背后的证据问题，即高检索准确率并不能说明模型使用的是动物特征还是与身份相关的捷径。我们通过反事实前景检索（CFR）来解决这一问题，这是一种证据感知的评估协议。CFR 在不同视图下评估相同的查询-图库任务：完整图像、仅前景和仅捷径。完整图像衡量标准检索性能；仅前景衡量前景支持的检索；仅捷径视图衡量可从背景或轮廓中恢复多少身份信号。这将检索分数转化为证据画像：模型在原始图像上的表现如何，当仅可见动物时该性能还剩多少，以及当动物被移除时还能恢复多少身份信号。我们发布了 34 个数据集约 0.5M 个掩码，以及掩码生成和 CFR 评估的代码。
| 评论： | 14 页，5 幅图；已被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.06864 [cs.CV] |
| （或 arXiv:2611.06864v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06864 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ankit Kumar Upadhyay [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 18:19:26 UTC（4,376 KB）
来源：arXiv cs.AI · arxiv.org