编辑推荐：
为解决野生动物监测难题，研究人员开展 “Wild ActionFormer: Enhancing wildlife action recognition for 11 endangered species in Wolong” 主题研究。构建 Wild ActionFormer 网络，在 LoTE - Animal 数据集上 Top - 1 准确率达 95.09%，助力濒危物种保护。
在生物多样性急剧下降的当下，野生动物的生存状况愈发令人担忧。据世界野生动物基金会（WWF）数据，自 1970 年以来，全球野生动物数量锐减 69%；国际自然保护联盟（IUCN）也指出，约 28% 的物种面临灭绝风险。栖息地破坏、气候变化、偷猎以及人类活动等，成为野生动物生存的巨大威胁。为了守护这些珍贵的生物资源，各国和相关组织积极行动，制定了如《生物多样性公约》（CBD）和《濒危野生动植物种国际贸易公约》（CITES）等协议，许多国家还建立了自然保护区。
然而，自然保护区的监测工作困难重重。以中国卧龙自然保护区为例，这里是大熊猫、川金丝猴等濒危物种的重要栖息地。但由于地形崎岖，难以搭建可靠的通信网络，研究人员不仅要亲自前往回收相机数据、更换电池，还需手动查看大量视频素材，效率极低，严重阻碍了科研进展。而且，野生动物行为受昼夜节律、季节变化和气候条件影响，数据集存在长尾分布问题，传统监测方法难以应对。
在此背景下，来自国内的研究人员开展了一项旨在提升野生动物行为识别能力的研究。他们聚焦于卧龙自然保护区的 11 种濒危野生动物，开发了基于视频自监督学习的动物行为识别网络 ——Wild ActionFormer，相关研究成果发表在《Ecological Informatics》上。该研究成果意义重大，为濒危物种保护提供了有力的技术支持，有望改善当前野生动物监测的困境。
研究人员在开展研究时，运用了多种关键技术方法。首先，使用 UniformerV2 作为基础骨干网络，并集成自监督学习方法，增强特征提取能力。其次，构建微分散度正则化损失函数，提升自监督学习特征的对齐性，增强网络抗干扰能力。再者，引入 Focal Loss 重加权策略，优化长尾类别的损失，减少对头部数据的偏差。此外，利用 LoTE - Animal 数据集进行模型训练，该数据集包含 10,000 个野生动物视频样本，涵盖多种濒危物种。
研究结果主要通过以下几方面呈现：
- 与先前工作比较：将 Wild ActionFormer 与之前的模型在 LoTE - Animal 数据集上对比，评估 Top - 1、Top - 5 准确率等指标。结果显示，Wild ActionFormer 表现优异，Top - 1 准确率达 95.09% ，Top - 5 准确率为 99.9%，在识别主要动作类别上优势明显，优于许多基于 CNN 和 ViT 的模型。这表明其架构和算法改进对识别性能有显著提升。
- 消融研究：
- 自监督适配器：对比有无自监督适配器的模型版本，发现集成适配器后 Top - 1 准确率从 91.17% 提升至 92.81%，虽 Top - 5 准确率略有下降，但降低了训练时的内存使用，说明适配器有助于模型学习更高效的特征表示。
- 自监督适配器损失：研究不同损失函数对模型的影响，结果表明自监督适配器损失能进一步提升 Top - 1 准确率至 94.89%，证明其对模型性能，尤其是识别主要动作类别的能力有增强作用。同时，研究发现微分散度正则化参数λ在λ=1时效果最佳。
- 损失重加权：比较多种重加权损失函数，发现 focal loss 对长尾分布数据处理效果最好，显著提高了尾部类别的准确率至 82.71% ，且不影响头部类别的性能。
- 定性分析：
- 混淆矩阵分析：通过混淆矩阵评估模型性能，Wild ActionFormer 的混淆矩阵中多数值位于对角线，预测准确率高，而其他模型则存在更多混淆和较低的分类准确率。
- 热图可视化：利用热图可视化分析模型对动物动作的识别情况，Wild ActionFormer 能精准聚焦于关键身体部位，有效利用时空特征，提高识别准确率和可解释性。
- 失败案例：分析测试集中模型的错误预测案例，发现 Wild ActionFormer 在细粒度行为分类、夜间红外图像识别上存在挑战，决策边界有待进一步优化。
- 成功案例：Wild ActionFormer 能在复杂环境中准确识别多种行为，显示出较强的鲁棒性，但在处理精细区分和困难光照条件方面仍需改进。
- 季节性生态变化和行为模式分析：分析 Wild ActionFormer 预测的动物行为，发现不同季节动物行为模式存在差异。例如，冬季和夏季 - 秋季动物聚集行为增加，春季觅食行为频繁等，这为栖息地保护提供了重要信息。
- 昼夜周期和行为模式分析：研究发现动物活动存在昼夜节律，如大熊猫等为昼行性动物，马来豪猪等为夜行性动物。Wild ActionFormer 结合时间分析，有助于揭示这些规律和人类活动对动物的影响。
研究结论和讨论部分指出，Wild ActionFormer 在野生动物行为识别任务中表现出色，但对于数据量极少的类别，分类性能仍有待提高，未来可通过数据增强或跨物种数据来改善。同时，研究人员建议在实际应用中，根据不同场景选择合适的硬件设备进行监测。此外，Wild ActionFormer 有望融入更广泛的智能生态监测系统，结合卫星、无人机（UAV）、物联网（IoT）设备等，为保护规划和决策提供科学支持，在濒危物种保护领域具有广阔的应用前景。
