- 1次围观
野生动物再识别（re-ID）是一种应用广泛且功能强大的工具，在动物生态学与保护领域具有多种应用。目前的自动化方法通常针对动物单个身体部位的单张图像进行处理。然而，一次观测事件可能包含多张拍摄不同身体区域的图像，而每张图像都能提供互补的个体特异性信息。与自动化方法不同，研究人员通常会依据可见性、遮挡情况和图像质量等因素，手动选择最适合用于识别的图像和区域。这造成了自动化方法与野外实践之间的不匹配，限制了当前自动化再识别流程在实际中的应用。为此，我们以海龟为代表类群，提出了一种基于观测事件的多身体部位再识别框架。该框架结合了三个要素：（1）一种具有方向感知能力的深度学习模型 TurtleDetector。除完整身体外，该模型还能够自动分割观测事件中图像里的关键身体区域，即头部、前鳍和后鳍；（2）一种身体部位特异性的混合检索方法，依次结合快速的全局特征模型（MiewID 或 DINOv3）与精度更高但计算成本更大的局部特征模型（结合 LightGlue 的 ALIKED）；（3）一种融合式个体身份预测策略，在一次观测事件的所有可用身体部位和图像中，选取经校准的最高相似度分数作为预测结果。我们在涵盖三个物种——赤蠵龟、绿海龟和玳瑁——的三个长期再识别数据集上评估了该框架，并采用了与现实世界中考虑时间因素的再识别工作流程相一致的评估方案。在所有数据集上，结合多个身体区域的表现均持续优于表现最佳的单一】【。身体区域，从而使 top-1 准确率提高了 4–6%。有趣的是，传统上在海龟个体再识别中较少使用的身体区域，例如后鳍肢和背甲，提供了互补的个体识别信息；通过混合检索方法整合这些信息后，遭遇层面的个体再识别效果得到了提升。我们的研究结果表明，自动化野生动物个体再识别可以突破基于单张图像、单个身体部位的识别方式，转而在遭遇层面整合所有可用的视觉证据，从而获益。我们的研究还表明，在条件允许的情况下，野外照片采集方案应力求在每次遭遇中拍摄同一个体的多个有信息价值的视角。值得注意的是，包括大象、灵长类动物、鲸类及其他大型脊椎动物在内的许多物种和分类群，其多个身体区域均具有此类个体特异性特征，这凸显了我们这一框架的广泛应用潜力。
通过合并多个身体部位的信息实现野生动物自动再识别：海龟案例研究 | bioRxiv
跳转到主要内容
首页
关于
投稿
提醒 / RSS
搜索此关键词
高级搜索
最新结果
通过合并多个身体部位的信息实现野生动物自动再识别：海龟案例研究
查看 ORCID 个人资料
Lukáš
Adam
，
Micol
Montagna
，
Valeria
Roma
，
Agnese
Mancini
，
查看 ORCID 个人资料
Kostas
Papafitsoros
doi：
https://doi.org/10.64898/2026.08.28.747856
Lukáš Adam
1
捷克比尔森西波希米亚大学，电气工程学院、RICE，捷克比尔森；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站上搜索此作者
Lukáš Adam 的 ORCID 记录
Micol Montagna
2
TurtleWatch Egypt 2.0，埃及马萨阿拉姆；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站上搜索此作者
Valeria Roma
2
TurtleWatch Egypt 2.0，埃及马萨阿拉姆；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站上搜索此作者
Agnese Mancini
3
加利福尼亚海龟保护组织（Grupo Tortuguero de las Californias AC），墨西哥拉巴斯；以及 TurtleWatch Egypt 2.0，埃及马萨阿拉姆；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站上搜索此作者
Kostas Papafitsoros
4
伦敦玛丽女王大学
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站上搜索此作者
Kostas Papafitsoros 的 ORCID 记录
通讯请联系：
kostaspf{at}yahoo.gr
摘要
信息/历史
指标
PDF 预览
摘要
野生动物再识别（re-ID）是一种应用广泛且有效的工具，在动物生态学和保护领域具有多种用途。目前的自动化方法通常针对动物单一身体部位的单张图像进行处理。然而，单次观测可能包含
多张图像捕捉不同的身体区域，每张图像均提供互补的个体特异性信息。与自动化方法不同，研究人员通常会根据可见度、遮挡情况和图像质量等因素，手动选择最适合用于身份识别的图像和区域。这导致自动化方法与实地实践之间存在不匹配，限制了当前自动化重识别流程的实际应用。为此，我们以海龟为研究对象，提出一种基于遭遇事件的多身体部位重识别框架。该框架包含三个要素：（1）一种具备方向感知能力的深度学习模型 TurtleDetector，除检测完整身体外，还能自动分割同一遭遇事件图像中的关键身体区域，即头部、前鳍肢和后鳍肢；（2）一种针对不同身体部位的混合检索方法，依次结合快速的全局特征模型（MiewID 或 DINOv3）与精度更高但计算成本也更高的局部特征模型（ALIKED 与 LightGlue）；（3）一种融合身份预测策略，从一次遭遇事件中所有可用身体部位和图像对应的相似度校准分数中选取最高分。我们在涵盖三个物种——红海龟、绿海龟和玳瑁——的三个长期重识别数据集上评估该框架，采用的评估协议模拟了真实世界中具备时间意识的重识别工作流程。在所有数据集中，与表现最佳的单一身体区域相比，结合多个身体区域均能稳定提升识别性能，使 Top-1 准确率提高 4–6%。值得注意的是，传统上海龟重识别中较少使用的身体区域，如后鳍肢和背甲，也提供了互补的身份识别信息，从而提升了遭遇事件层面的重识别效果，尤其是在
通过混合检索方法进行整合。我们的研究结果表明，自动化野生动物再识别可从单图像、单身体部位识别转向整合单次遭遇中所有可用视觉证据的方式中获益。我们的研究还表明，在可行的情况下，野外照片采集方案应力求在每次遭遇时拍摄同一个体的多个信息丰富的视角。值得注意的是，包括大象、灵长类动物、鲸类和其他大型脊椎动物在内的许多物种和类群，其多个身体区域都具有个体特异性特征，这凸显了我们的框架具有广泛的应用潜力。
利益冲突声明
作者声明不存在利益冲突。
版权
本预印本的版权持有人为作者／资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本预印本依据 CC-BY-NC-ND 4.0 国际许可协议发布。
返回顶部
上一篇
下一篇
发布于 2026 年 8 月 31 日。
下载 PDF
电子邮件
感谢您有兴趣帮助传播 bioRxiv 的信息。
注意：我们仅请求提供您的电子邮件地址，以确认您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
收件人
*
请在不同的行中输入多个地址，或使用逗号分隔。
您即将通过电子邮件发送以下内容
通过合并多个身体部位的信息实现野生动物自动再识别：海龟案例研究
邮件主题
（您的姓名）向您转发了 bioRxiv 上的一个页面
邮件正文
（您的姓名）认为您可能会想查看 bioRxiv 网站上的这个页面。
您的个人留言
验证码
此问题用于确认您是否为真人访客，并防止自动垃圾信息提交。
分享
通过合并……实现野生动物自动再识别
来自多个身体部位的信息：海龟案例研究
Lukáš
Adam
，Micol
Montagna
，Valeria
Roma
，Agnese
Mancini
，Kostas
Papafitsoros
bioRxiv
2026.08.28.747856；
doi：
https://doi.org/10.64898/2026.08.28.747856
分享本文：
复制
引文工具
通过融合多个身体部位的信息实现野生动物自动个体再识别：海龟案例研究
Lukáš
Adam
，Micol
Montagna
，Valeria
Roma
，Agnese
Mancini
，Kostas
Papafitsoros
bioRxiv
2026.08.28.747856；
doi：
https://doi.org/10.64898/2026.08.28.747856
引文管理器格式
BibTeX
Bookends
EasyBib
EndNote（标记格式）
EndNote 8（XML）
Medlars
Mendeley
Papers
RefWorks Tagged
Ref Manager
RIS
Zotero
推文组件
Facebook 点赞
Google +1
主题领域
所有文章
动物行为与认知
（7946）
生物化学
（18572）
生物工程
（14722）
生物信息学
（44003）
生物物理学
（22390）
癌症生物学
（19517）
细胞生物学
（26674）
临床试验
（138）
发育生物学
（13859）
生态学
（20810）
流行病学
（2067）
进化生物学
（25257）
遗传学
（16073）
基因组学
（23355）
免疫学
（18539）
微生物学
（42111）
分子生物学
（17895）
神经科学
（92609）
古生物学
（691）
病理学
（2963）
药理学与毒理学
（5052）
生理学
（8030）
植物生物学
（15851）
科学传播与教育
（2090）
合成生物学
（4524）
系统生物学
（10158）
动物学
（2368）
关键词：野生动物个体再识别 · 海龟识别 · 多身体部位融合 · 深度学习 · 计算机视觉
原文链接：https://www.biorxiv.org/content/10.64898/2026.08.28.747856v1?rss=1