野生动物相机陷阱物种分类中的非洲内部地理域偏移：监督学习与零样本基础模型的比较研究

像 Snapshot Safari 这样的相机陷阱网络已在非洲范围内生成了数百万张带标注的野生动物图像，使得可用于自动物种分类的深度学习模型训练成为可能。然而，将在非洲某一地区训练的模型部署到另一地区的效果仍缺乏充分理解。据我们所知，本研究首次系统评估了非洲大陆内部的地理域偏移对野生动物相机陷阱物种分类的影响，采用了人工智能中的机器学习子领域方法。我们使用了三种模型架构，它们与 Snapshot Serengeti 的交互方式各不相同：BEiTV2 在 Serengeti 图像上进行监督式微调，作为基线；DINOv2 结合 FAISS 将 Serengeti 图像用作检索索引，且不更新任何权重；BioCLIP 则是真正的零样本基础模型，完全不接触任何 Serengeti 训练数据。随后，我们在两个南部非洲测试集 Snapshot Kgalagadi 和 Snapshot Kruger，以及在博茨瓦纳本地采集的野生动物照片上对这三种模型进行评估。我们开展了八项实验，涵盖域内基线、跨数据集迁移、数据规模扩展、MegaDetector 预处理、灰度与彩色图像条件，以及按物种划分的迁移分析。本研究首次对非洲内部域偏移在监督式与零样本架构中的表现进行了实证刻画，并为需要在南部非洲多样生态系统间部署模型而又不收集新的标注数据的保护人工智能实践者提供了可操作的指导。

该网站正在使用安全服务以防御网络攻击。您刚才执行的操作触发了安全防护机制。可能触发此拦截的操作有多种，包括提交某个特定词语或短语、SQL 命令，或格式错误的数据。

您可以通过电子邮件联系网站所有者，告知他们您已被拦截。请说明该页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.24.734283v1?rss=1

🏷️ 相机陷阱 物种分类 地理域偏移 零样本学习 基础模型