
-
生物通官微
陪你抓住生命科技
跳动的脉搏
TigerNet:阿穆尔虎条纹图案的个体识别技术,类似人类的指纹识别
《Mammal Research》:TigerNet: individual identification of Stripe patterns in Amur Tigers like human fingerprint
【字体: 大 中 小 】 时间:2026年01月09日 来源:Mammal Research 1.6
编辑推荐:
提出TigerNet混合框架,结合条纹几何与方向生物特征及深度相似网络,分三阶段实现远东虎非侵入识别,在12625张图像上准确率达94.96%-96.45%,跨物种泛化至斑马数据集(90.2%),优于MiewID方法。
对于濒危的阿穆尔虎(Panthera tigris altaica)的保护而言,准确、无创的个体识别至关重要。然而,由于虎纹图案的多样性和成像条件的不一致性,这一任务仍然具有挑战性。受到人类指纹识别技术的启发,我们提出了TigerNet这一混合框架,它将生物特征(虎纹的几何形状和方向)与深度相似性网络相结合,用于识别虎的个体。TigerNet采用了三阶段流程:(1)自适应特征增强,将虎纹转换为类似指纹的表示形式,以保留特定于虎纹的信息并减少背景干扰;(2)分层表示学习,利用改进的EfficientNetV2Small模型提取具有区分性的特征嵌入;(3)判别性相似性验证,使用混合损失函数(CosineLoss + 欧几里得距离正则化)来优化虎纹的角度和方向,以适应不同的姿态变化。通过在哈尔滨西伯利亚虎园拍摄的12,625张虎图像上进行的实验验证了TigerNet的有效性。TigerNet在识别虎的左侧/右侧身体图像时的准确率分别为94.96%和96.45%,优于纯CNN基线方法。消融研究证实,CosineLoss通过强制角度分离增强了特征的可区分性(减少了类别间的重叠),而虎纹特征的增强则将识别时间缩短了37%。TigerNet还表现出强大的跨物种泛化能力,在一个公开的野生斑马数据集上的准确率为90.2%,同时在不同姿态变化下仍能保持稳定的识别性能。它始终优于MiewID方法,在虎数据上的准确率提高了2.5%–5.7%,在斑马识别上的准确率提高了5.7%。这项工作提供了一种稳健、无创的野生动物监测工具,它在准确性、可解释性和可扩展性方面取得了平衡,并具有推广到其他具有独特形态特征的濒危物种的潜力。
对于濒危的阿穆尔虎(Panthera tigris altaica)的保护而言,准确、无创的个体识别至关重要。然而,由于虎纹图案的多样性和成像条件的不一致性,这一任务仍然具有挑战性。受到人类指纹识别技术的启发,我们提出了TigerNet这一混合框架,它将生物特征(虎纹的几何形状和方向)与深度相似性网络相结合,用于识别虎的个体。TigerNet采用了三阶段流程:(1)自适应特征增强,将虎纹转换为类似指纹的表示形式,以保留特定于虎纹的信息并减少背景干扰;(2)分层表示学习,利用改进的EfficientNetV2Small模型提取具有区分性的特征嵌入;(3)判别性相似性验证,使用混合损失函数(CosineLoss + 欧几里得距离正则化)来优化虎纹的角度和方向,以适应不同的姿态变化。通过在哈尔滨西伯利亚虎园拍摄的12,625张虎图像上进行的实验验证了TigerNet的有效性。TigerNet在识别虎的左侧/右侧身体图像时的准确率分别为94.96%和96.45%,优于纯CNN基线方法。消融研究证实,CosineLoss通过强制角度分离增强了特征的可区分性(减少了类别间的重叠),而虎纹特征的增强则将识别时间缩短了37%。TigerNet还表现出强大的跨物种泛化能力,在一个公开的野生斑马数据集上的准确率为90.2%,同时在不同姿态变化下仍能保持稳定的识别性能。它始终优于MiewID方法,在虎数据上的准确率提高了2.5%–5.7%,在斑马识别上的准确率提高了5.7%。这项工作提供了一种稳健、无创的野生动物监测工具,它在准确性、可解释性和可扩展性方面取得了平衡,并具有推广到其他具有独特形态特征的濒危物种的潜力。