SeaTurtleID2022: A long-span dataset for reliable sea turtle re-identification

要約

この論文では、野生で撮影されたウミガメの写真を含む初の公開された大規模かつ長スパンのデータセット、SeaTurtleID2022 (https://www.kaggle.com/datasets/wildlifedatasets/seaturtleid2022) を紹介します。
このデータセットには、13 年間以内に収集された 438 頭の固有の個体の 8,729 枚の写真が含まれており、動物の再識別のための最長期間のデータセットとなっています。
すべての写真には、身元、遭遇タイムスタンプ、身体部分セグメンテーション マスクなどのさまざまな注釈が含まれています。
標準的な「ランダム」分割の代わりに、データセットでは 2 つの現実的で環境に配慮した分割が可能です。(i) 異なる日/年のトレーニング、検証、テスト データを含む時間認識の閉セット、および (ii) 時間
テストおよび検証セット内の新しい未知の個人を含むオープンセットを認識します。
ランダムな分割はパフォーマンスの過大評価につながるため、再識別方法のベンチマークには時間認識の分割が不可欠であることを示します。
さらに、さまざまな体の部分にわたるベースラインのインスタンスのセグメンテーションと再識別パフォーマンスが提供されます。
最後に、ウミガメを再識別するためのエンドツーエンドのシステムを提案し、評価します。
ヘッド インスタンス セグメンテーション用のハイブリッド タスク カスケードと ArcFace でトレーニングされた特徴抽出機能に基づく提案されたシステムは、86.8% の精度を達成しました。

要約(オリジナル)

This paper introduces the first public large-scale, long-span dataset with sea turtle photographs captured in the wild — SeaTurtleID2022 (https://www.kaggle.com/datasets/wildlifedatasets/seaturtleid2022). The dataset contains 8729 photographs of 438 unique individuals collected within 13 years, making it the longest-spanned dataset for animal re-identification. All photographs include various annotations, e.g., identity, encounter timestamp, and body parts segmentation masks. Instead of standard ‘random’ splits, the dataset allows for two realistic and ecologically motivated splits: (i) a time-aware closed-set with training, validation, and test data from different days/years, and (ii) a time-aware open-set with new unknown individuals in test and validation sets. We show that time-aware splits are essential for benchmarking re-identification methods, as random splits lead to performance overestimation. Furthermore, a baseline instance segmentation and re-identification performance over various body parts is provided. Finally, an end-to-end system for sea turtle re-identification is proposed and evaluated. The proposed system based on Hybrid Task Cascade for head instance segmentation and ArcFace-trained feature-extractor achieved an accuracy of 86.8%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google