WildFusion: Individual Animal Identification with Calibrated Similarity Fusion

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F25%3A00388598" target="_blank" >RIV/68407700:21230/25:00388598 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/49777513:23220/25:43973167 RIV/49777513:23520/25:43973167

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-031-92387-6_2" target="_blank" >https://doi.org/10.1007/978-3-031-92387-6_2</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-92387-6_2" target="_blank" >10.1007/978-3-031-92387-6_2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

WildFusion: Individual Animal Identification with Calibrated Similarity Fusion

Popis výsledku v původním jazyce

We propose a new method – WildFusion – for individual identification of a broad range of animal species. The method fuses deep scores (e.g., MegaDescriptor or DINOv2) and local matching similarity (e.g., LoFTR and LightGlue) to identify individual animals. The global and local information fusion is facilitated by similarity score calibration. In a zero-shot setting, relying on local similarity score only, WildFusion achieved mean accuracy, measured on 17 datasets, of 76.2%. This is better than the state-of-the-art model, MegaDescriptor-L, whose training set included 15 of the 17 datasets. If a dataset-specific calibration is applied, mean accuracy increases by 2.3% points. WildFusion, with both local and global similarity scores, outperforms the state-of-the-art significantly – mean accuracy reached 84.0%, an increase of 8.5% points; the mean relative error drops by 35%. We make the code and pre-trained models publicly available, enabling immediate use in ecology and conservation (https://github.com/WildlifeDatasets/wildlife-tools).

Název v anglickém jazyce

WildFusion: Individual Animal Identification with Calibrated Similarity Fusion

Popis výsledku anglicky

We propose a new method – WildFusion – for individual identification of a broad range of animal species. The method fuses deep scores (e.g., MegaDescriptor or DINOv2) and local matching similarity (e.g., LoFTR and LightGlue) to identify individual animals. The global and local information fusion is facilitated by similarity score calibration. In a zero-shot setting, relying on local similarity score only, WildFusion achieved mean accuracy, measured on 17 datasets, of 76.2%. This is better than the state-of-the-art model, MegaDescriptor-L, whose training set included 15 of the 17 datasets. If a dataset-specific calibration is applied, mean accuracy increases by 2.3% points. WildFusion, with both local and global similarity scores, outperforms the state-of-the-art significantly – mean accuracy reached 84.0%, an increase of 8.5% points; the mean relative error drops by 35%. We make the code and pre-trained models publicly available, enabling immediate use in ecology and conservation (https://github.com/WildlifeDatasets/wildlife-tools).

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/SS05010008" target="_blank" >SS05010008: Detekce, identifikace a monitoring živočichů pokročilými metodami počítačového vidění</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computer Vision – ECCV 2024 Workshops, Part II

ISBN

978-3-031-92386-9

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

19

Strana od-do

18-36

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Milano

Datum konání akce

29. 9. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001544978100002