Sharma R. · 2026

Computer Vision - Model evaluation for Wildlife Re-Identification with Small Datasets

Resumo em português

RESUMO Reconhecer animais individuais a partir de fotografias é um desafio prático importante na conservação da vida selvagem. Armadilhas fotográficas podem capturar milhares de imagens, mas pesquisadores ainda precisam de métodos confiáveis para determinar se duas fotografias mostram o mesmo animal, e não apenas a mesma espécie. Isso auxilia no monitoramento populacional, rastreamento de movimentos, estudos territoriais e decisões de conservação a longo prazo. O problema é difícil porque o mesmo animal pode aparecer em ângulos diferentes, com iluminação distinta ou parcialmente oculto, enquanto animais diferentes podem parecer muito semelhantes. Este estudo apresenta um fluxo de trabalho prático de visão computacional para a reidentificação de animais usando um pequeno conjunto de dados rotulado, tendo o jaguar como estudo de caso principal. A pesquisa compara duas abordagens amplas. A primeira faz ajuste fino de modelos especializados ou de grande porte para a tarefa do jaguar. A segunda mantém um modelo geral de visão poderoso congelado, usa-o para extrair características das imagens uma vez, e treina apenas uma pequena cabeça de aprendizado métrico no topo. Nos experimentos realizados, a abordagem congelada DINOv2-Giant alcançou resultados de referência superiores ao sistema MegaDescriptor-L com ajuste fino anterior, atingindo mAP balanceado por identidade pública de 0,958, em comparação com 0,840 do campeão anterior. Esses resultados sugerem que, para pequenos conjuntos de dados de vida selvagem, nem sempre é necessário ajustar fino um modelo grande e especializado; um modelo fundacional poderoso congelado pode oferecer melhor qualidade de inferência com muito menos custo de treinamento. A contribuição mais ampla não é uma afirmação de que um modelo sempre vencerá, mas sim um fluxo de trabalho reprodutível de seleção de modelo que engenheiros de aprendizado de máquina e tecnólogos da conservação podem adaptar para outras espécies com padrões, como tigres, leopardos, zebras, girafas e tubarões-baleia. Como IA e aprendizado de máquina evoluem rapidamente, os praticantes devem tratar este estudo como um quadro de decisão e exemplo de referência, avaliando também modelos, métodos de treinamento e práticas de aplicação mais recentes conforme estiverem disponíveis.

Resumo original em inglês

Abstract Recognising individual animals from photographs is an important practical challenge in wildlife conservation. Camera traps can capture thousands of images, but researchers still need reliable ways to tell whether two photographs show the same animal, not only the same species. This helps with population monitoring, movement tracking, territory studies, and long-term conservation decisions. The problem is difficult because the same animal may appear from different angles, in different lighting, or partly hidden, while different animals can look very similar. This study presents a practical computer vision workflow for animal re-identification using a small, labelled dataset, with jaguars used as the main case study. The research compares two broad approaches. The first fine-tunes specialised or large vision models for the jaguar task. The second keeps a strong general-purpose vision model frozen, uses it to extract image features once, and trains only a small metric-learning head on top. In the recorded experiments, the frozen DINOv2-Giant approach achieved stronger benchmark results than the earlier fine-tuned MegaDescriptor-L system, reaching 0.958 public identity-balanced mAP, compared with 0.840 for the prior champion. These results suggest that, for small wildlife datasets, fine-tuning a large, specialised model is not always necessary; a powerful frozen foundation model can sometimes deliver better inference quality with much lower training overhead. The broader contribution is not a claim that one model will always win, but a reproducible model-selection workflow that ML engineers and conservation technologists can adapt to other pattern-bearing species such as tigers, leopards, zebras, giraffes, and whale sharks. Because AI and machine learning are evolving quickly, practitioners should treat this study as a decision framework and benchmark example, while also evaluating newer models, training methods, and deployment practices as they become available.