arXiv cs.AI· Turhan Can Kargin, Piotr Kubaty, Ekaterina Rostovskaya, Izabela Wierzbowska, Bartosz Zieli\'nski, Marcin Przewi\k{e}\'zlikowski·· 10 天前AI 评分22
WildMatch：面向野生动物重识别的弱监督图像匹配器适配
WildMatch: Weakly Supervised Image Matcher Adaptation for Wildlife Re-Identification
AI 导读
WildMatch 提出一种弱监督适配方法，仅用身份标签即可将预训练关键点匹配器迁移到野生动物重识别任务，无需关键点级或几何对应标注。该方法用预训练匹配器挖掘信息量大的图像对，从身份一致性中导出弱正负监督，对比微调匹配网络以增强同身份对应、抑制异身份对应。在多个开源野生动物重识别数据集上，其准确率超过现成匹配器和一种 SOTA 局部-全局融合方法，并在留出个体的开放世界协议下学到可迁移的对应先验。
正文 · AI 翻译
摘要：从相机陷阱图像中进行个体动物重识别是一个实例检索问题，对非侵入式野生动物监测至关重要：查询图像必须从已知动物的参考集中检索出正确的个体。这要求计算机视觉模型能够识别毛发、皮肤或其他视觉标记中独特的局部图案。当前的方法要么将全局嵌入作为分类问题来学习，需要每个个体有大量标注图像，同时很大程度上忽略了局部证据；要么应用现成的、与领域无关的图像匹配器。尽管这类匹配器是在大规模且多样化的图像集合上预训练的，但将其适配到野生动物图像上具有挑战性，因为可用数据集规模小且缺乏对应级别的标注。我们研究了仅使用身份标签对预训练关键点匹配器进行弱监督适配，而不使用关键点级别或几何对应真值。我们利用预训练匹配器挖掘信息量大的图像对，从身份一致性中导出弱正监督和弱负监督，并对匹配网络进行对比微调，以增强同一身份图像对的对应关系并抑制不同身份的对应关系。在开源野生动物重识别数据集上，我们的方法在准确率上优于现成匹配器和一种最先进的局部-全局融合方法。在留出个体的开放世界协议下，它学习到可迁移的对应先验，而不是记忆训练身份。据我们所知，这是首个针对动物重识别的匹配器级别、身份监督适配研究。我们的方法能够利用典型监测数据集中已有的身份标注，实现图像匹配模型对野生动物领域的数据高效特化。
| 评论： | 15 页，7 幅图，3 张表。项目页面：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.07384 [cs.CV] |
| （或 arXiv:2610.07384v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07384 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Turhan Can Kargin [查看电子邮件]
[v1]
2026 年 10 月 5 日星期一 20:54:45 UTC（4,808 KB）
来源：arXiv cs.AI · arxiv.org