发表刊登日期: 2025/07/29

开发出可以从野生动物多种“痕迹”的图像中推测物种的AI模型-无需专业知识即可无创识别动物物种的新型动物跟踪AI模型-

重点

开发了根据足迹、粪便、鸡蛋、骨头、羽毛等以往需要专家鉴定的动物各种痕迹的图像来推测动物种类的AI模型

数据集基准也同时完善。 例如，在羽毛的图像中，提案方法在Top-1精度65%以上的情况下成功地对物种进行了正确的分类

期待在土地开发和环境评估等现场，作为高效调查野生动物栖息状况的工具而有效利用

图片

概要図

根据痕迹推测野生动物物种的AI模型的开发

※使用的是引用原论文的图改变后的东西。

概要

国立研究开发法人产业技术综合研究所(以下简称“产总研”)人工智能研究中心片冈裕雄高级主任研究员与大阪大学研究生院信息科学研究科多媒体工程专业筱田理沙特任助教(专职)共同开发了根据动物的痕迹推测动物种类的AI模型。

以足迹和粪便等动物留下的“痕迹”为线索，掌握其栖息状况的“动物追踪”作为获得难以直接观察的野生动物信息的方法，被活用于生物多样性保护。 这种方法的优点是不需要特别的装置，可以在不给动物增加负担的情况下进行调查。 另一方面，痕迹识别需要较高的专业性和较长的经验。

此次，利用足迹、粪便、鸡蛋、骨头、羽毛等多种痕迹图像构建数据集“AnimalClue”，成功开发出了推测动物种类的AI的图像识别模型。 另外，为了评价AI模型而设定了基准，开发的模型在羽毛的图像中例如Top-1精度在65%以上，确认了能够从555种候补中正确识别物种。

这次开发的模型，即使没有专业知识也可以识别野生动物的痕迹，在土地开发和环境评估等现场，作为高效调查生存状况的工具做出贡献。 另外，设定了基准测试有望加快用于动画跟踪的AI模型的开发。

另外，本研究成果包括: MIRU2025图像识别理解研讨会( 2025年7月29日8月1日，京都举办)及IEEE/CVF international conference on computer vision ( iccv ) ( 2025年7月29日8月1日) 另外，这次构建的“AnimalClue”是GitHub (https://dahlian 00.github.io/animalcluepage /)中被调用，将出现故障。

开发的社会背景

掌握野生动物的栖息状况，对于评价生态系统的健全性，推进生物多样性的保护是不可缺少的。 另外，除了伴随着土地开发和基础设施建设的环境评价之外，作为捕捉人类活动和气候变化引起的栖息地变化的基础信息也很重要。 例如，通过事先掌握开发预定地稀有物种的存在和野生动物的生存状况，可以在采取适当的保护措施的基础上制定开发计划。

但是，很难直接观察所有的野生动物，包括栖息数量少的物种和夜行性动物。 针对这些课题，根据足迹和粪便等痕迹来确定动物种类的被称为“动物追踪”的方法得到了广泛的利用。 该方法具有不需要传感器摄像机等特殊装置，无创，不会给动物增加负担的优点。 另一方面，正确识别痕迹需要高度的专业知识，以往专家的鉴定是必不可少的。 因此，掌握需要大量的时间和经验，并不是每个人都能轻易实践。

研究的经过

基于大数据集的预学习对于构建AI模型至关重要。 产综合研究所利用视觉和语言的综合模型和模拟，致力于提高图像识别的水平。 以构筑在现实世界中灵活适应的机器人智能的基础为目标，开发了用于准确识别人的动作和环境的通用且高性能的图像识别技术。

利用这些见解，这次的目标是开发出基于AI的图像识别使动画跟踪方法自动化，且痕迹识别不需要专业知识的通用模型。

此外，本研究开发是基于产综研政策预算项目“关于物理领域的生成AI基础模型的研究开发”而实施的。

研究内容

在本研究中，我们设计了通过图像识别技术使动画跟踪自动化的方法，并成功开发了不需要专业知识的通用模型。 首先，在65属、200科、968种共计约16万件的痕迹信息中，记载了有关动物行为模式和栖息地域的信息注释、生物阶层赋予信息等，构建了大数据集“AnimalClue”(图1 )。

图片

图1数据集概述。 构建的数据集AnimalClue包括968种，约16万条痕迹。

※使用的是引用原论文的图改变后的东西。

接下来，使用该数据集学习图像识别AI模型。图像识别、物体检测、物体分割构建了的各个AI模型。 在图像识别方面，例如确认了在羽毛的图像中，Top-1精度(模型判断为最正确的第一位预测是正确的比例)在65%以上，可以从555种候补中正确识别种子。 图2和图3分别给出了物体检测模型和物体分段模型的推理结果。 物体检测模型(图2 )通过用矩形(边界框)包围图像中的每个物体来预测位置和类别。 另一方面，物体分割模型(图3 )可以根据物体的形状以每个像素为单位对区域进行分类，获得更详细的轮廓信息。 关于细小的种类的分类，也确认了能够正确识别一般人看了很难判断的痕迹。 这样，在要求高度专业知识的动物追踪领域，有望通过AI进行替代。 虽然还有改善的空间，但是我们还公开了学习数据和进行了基准评估，希望今后会有各种各样的研究者致力于这个领域。

图片

图2构筑的数据集AnimalClue中学习的物体检测模型( YOLOv11 )的推论结果。

绿色表示正确的动物种类，红色表示不正确的种类。

※使用的是引用原论文的图改变后的东西。

图片

图3用构筑的数据集AnimalClue学习的物体分割模型( YOLOv11 )的推论结果。

绿色表示正确的动物种类，红色表示不正确的种类。

※使用的是引用原论文的图改变后的东西。

今后的计划

今后，对于目前被定位为难以收集、用于AI模型学习的图像张数有限的稀有物种，也将积极进行追加数据收集，通过提高每个物种的图像识别制度，以构建更强有力、通用性高的模型为目标。 此外，还在研究开发能够根据痕迹的种类和特征进行处理的、专门针对痕迹的专用模型，从而有望进一步提高实际环境中的图像识别精度。 将来，面向开发能够从在当地拍摄的图像中立即解析痕迹并推测物种的APP的研究也将继续进行。

学会信息

学会名称: international conference on computer vision，ICCV 2025

发布标题: animal clue:: recognizing animals by their traces

作者: Risa Shinoda，Nakamasa Inoue，Iro Laina，Christian Rupprecht，and Hirokatsu Kataoka

学会名称:图像识别理解研讨会MIRU2025

发布标题:根据痕迹推测动物种类基准

作者:筱田理沙，井上中顺，Iro Laina，Christian Rupprecht，片冈裕雄

来源

本研究中构建的数据集“AnimalClue”是GitHub (https://dahlian 00.github.io/animalcluepage /)中被调用，将出现故障。

用语解说

动物追踪

这是以野生动物的足迹和粪便等痕迹为线索，推测动物种类和行为的技术。 即使在难以直接观察的环境中，也被有效利用于生态调查的掌握。

基准测试

用于评估和比较系统和模型性能的标准化测试和指标。 被用于客观地测量不同方法和算法的实力。

注释

添加矩形(边界框)或区域(分割蒙版)等信息以明确显示图像中对象的标签、位置和形状的任务。 由此，模型可以学习识别物体存在的地方。

生物阶层

是用于对生物进行分类的系统性分层结构，一般按照“界门纲目科属种”的顺序被细分。 由此，可以整理生物的分类和进化关系，成为理解物种间相似性的线索。

图像识别

计算机分析图像并将其分配给预定类别的技术。 能自动判别拍摄到的对象是什么。

物体检测

是确定图像内所包含的物体位置的技术。 通过用矩形等包围图像中的对象来表示，可以明确地把握其存在。

物体分割

是以像素为单位分析图像，提取物体正确轮廓的技术。 将背景和对象严密分离，可以取得详细的形状信息。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。