《iScience》：From pixels to conservation: Deep learning for automated monitoring of rare and endangered wildlife
编辑推荐：
珍稀和濒危物种的保护需要可扩展的监测解决方案，以应对日益加速的生物多样性丧失。深度学习已彻底改变了野生动物监测，使得从相机陷阱（camera traps）、无人机（drones）和视频监控中实现自动化物种识别、个体追踪、种群统计推断和行为分析成为可能。本综述系
珍稀和濒危物种的保护需要可扩展的监测解决方案，以应对日益加速的生物多样性丧失。深度学习已彻底改变了野生动物监测，使得从相机陷阱（camera traps）、无人机（drones）和视频监控中实现自动化物种识别、个体追踪、种群统计推断和行为分析成为可能。本综述系统分析了2014–2026年间159项野生动物监测研究，涵盖四个技术领域：物种识别、个体重识别（re-identification, Re-ID）、软生物特征（soft biometrics，即年龄/性别估计）以及行为/姿态分析。我们考察了三种架构范式——基于卷积神经网络（CNN-based models）、注意力与序列架构（Attention & Sequence Architectures）以及基础模型（Foundation Models）——的架构演进，记录了性能进展及其生态学应用。本文系统梳理了关键挑战——环境干扰、数据稀缺、域偏移（domain shift）、计算约束——以及相应的优化策略，包括数据增强、迁移学习和模型压缩。案例研究展示了跨多个分类群的现实影响：大熊猫、东北虎、类人猿和海洋哺乳动物。我们识别出基础模型适配、多模态学习、时空建模和边缘部署等关键研究空白与新兴机遇。本综述弥合了计算机视觉研究与保护实践之间的鸿沟，为开发稳健、可部署的监测系统提供了可操作的见解，将算法进展转化为保护成效。
结果（Results）
野生动物监测中深度学习的概述（Overview of deep learning in wildlife monitoring）
野生动物应用中深度学习架构的演进（Evolution of deep learning architectures for wildlife applications）
基于CNN的模型（2015年至今）（CNN-based models, 2015–present）
AlexNet确立了深度学习的可行性，证明了深度CNN能够从原始像素中学习层次化视觉表征。早期野生动物应用改编了既有CNN架构（VGGNet、GoogLeNet），但因训练数据有限而结果参差不齐。ResNet通过残差连接实现了更深的网络，显著提升了特征学习能力。Norouzzadeh等人展示了ResNet-152的变革潜力，在320万张Snapshot Serengeti图像上对48个物种实现了96.6%的准确率，媲美人类专家水平。DenseNet通过密集连接改善特征复用，有利于细粒度物种判别。在检测方面，两阶段检测器如Faster R-CNN（Region-based Convolutional Neural Network）提供高精度但速度有限；YOLO（You Only Look Once）通过单阶段架构实现实时检测，后续YOLO迭代通过多尺度特征融合、训练策略优化和重参数化技术不断改进精度-速度权衡。Wei等人展示了适用于野生动物的YOLO变体，在30+ FPS（frames per second）下实现93.8%的mAP（mean Average Precision），支持实时人兽冲突缓解。RetinaNet通过焦点损失（focal loss）解决极端类别不平衡问题，对稀有物种尤为有价值。
注意力与序列架构（2020年至今）（Attention & Sequence Architectures, 2020–present）
该类别涵盖视觉Transformer（Vision Transformers, ViT）、Swin Transformer、视频Transformer以及将CNN归纳偏置与自注意力机制结合的混合架构，还包括状态空间序列模型如Mamba及其混合变体MambaVision。Transformer通过自注意力建模全局上下文，捕捉理解复杂自然场景中动物所需的长距离依赖。Swin Transformer引入层次化架构和移位窗口，在降低计算成本的同时达到最先进性能。在野生动物监测中，Transformer擅长：（1）关联动物与远处环境上下文（如捕食者-猎物空间关系）；（2）跨视频帧的时间建模以进行行为分析；（3）通过关注可见身体部位处理严重遮挡。注意力机制还可通过显著区域可视化实现模型可解释性，增强保护决策的信任度。然而，Transformer通常需要比CNN更大的训练数据集，这对稀有物种构成挑战。
基础模型（2021年至今）（Foundation Models, 2021–present）
大规模预训练产生了具有显著零样本（zero-shot）和少样本（few-shot）能力的基础模型，解决了野生动物监测的核心问题：识别没有标注训练图像的物种或行为。CLIP学习联合视觉-语言表征以实现开放词汇识别，MSQNet将其扩展至850个物种的140余种行为类别分类。SAM（Segment Anything Model）在11亿掩码上训练，可泛化至未见过的分类群，解决在杂乱野外图像中定位和分割个体的互补挑战。DINOv2通过自监督视觉Transformer预训练，产生可迁移的密集视觉特征，用于野生山魈的年龄估计和西部低地大猩猩的个体重识别。DINO-X通过开放词汇定位扩展，无需任务特定重训练即可检测未见物种。
野生动物保护的数据集与基准（Datasets and benchmarks for wildlife conservation）
高质量数据集对开发和评估深度学习模型至关重要。代表性数据集包括：Snapshot Serengeti（2015年，320万图像，48物种，物种识别）、iNaturalist（2021年，数百万观测，约10,000物种）、Camera Traps（2018年，20万图像，多任务）、ATRW（东北虎数据集，2020年，8,076个视频片段，92个体，个体重识别）、AP-10K（2021年，10,015图像，54物种，姿态估计）、Animal Kingdom（2022年，50小时视频，140+物种，行为分析）和APT-36K（2022年，36,000帧，30物种，姿态估计）。当前数据集存在系统性偏差：地理偏差方面，北美和欧洲研究占159项中的57项，但物种广度最窄；分类偏差方面，哺乳动物占79.8%的研究，而昆虫和无脊椎动物仅占1.9%；时间偏差限制纵向推断。未来优先方向包括联邦学习、合成数据生成、自监督学习和标准化评估协议。
物种识别与生物多样性评估（Species recognition and biodiversity assessment）
物种识别构成自动化生物多样性监测的基础。技术方法包括：分类网络（ResNet、DenseNet、MobileNet、EfficientNet及Vision Transformers），通过ImageNet迁移学习初始化；统一检测-分类流水线（YOLO系列、DETR变体、Faster R-CNN），实现从原始相机陷阱图像到物种标签的端到端处理；类别不平衡处理（焦点损失、SMOTE过采样、平衡采样、类别加权损失）。真实世界应用涵盖稀树草原生态系统（Snapshot Serengeti上96.6%准确率）、森林系统（改良YOLOv2实现87.2% mAP）、亚洲濒危物种（大熊猫97.2%识别准确率、东北虎Faster R-CNN检测93.5%精度）和海洋环境（无人机检测海洋哺乳动物80–90%准确率）。隐存种识别暴露技术局限：苏格兰野猫与家猫及其杂交个体的CNN分类器在基因验证测试集上仅达71%准确率，揭示基准性能与现实保护效用之间的系统性差距，要求不确定性量化与专家验证工作流。
个体重识别系统（Individual Re-identification systems）
个体重识别利用各物种独特的自然标记——老虎和斑马的条纹图案、灵长类和熊的面部特征、豹和鲸鲨的斑点图案——建立判别性生物特征身份。深度度量学习（deep metric learning）通过端到端学习判别性嵌入空间实现个体识别。孪生网络（Siamese networks）处理图像对并输出相似度分数；三元组损失（triplet loss）同时处理锚点、正样本和负样本，拉近同类个体同时推远异类个体；难负样本挖掘进一步锐化嵌入边界。基于部位的方法（part-based approaches）学习解剖区域（头部、躯干、腿部）的独立嵌入，在部分遮挡时仍保持信息有效性。物种特定解决方案包括：东北虎条纹模式识别（ATRW数据集上99.37% Rank-1准确率）、灵长类面部识别（黑猩猩>90%准确率）、海洋哺乳动物体轮廓与自然标记识别（>85%个体识别）、大熊猫面部与身体模式识别（88.6% Rank-1准确率）。种群监测应用包括无标记的标记-重捕获（mark-recapture）、跨位点运动与空间利用分析、社会结构与行为推断以及长期个体生活史追踪。
基于软生物特征的种群统计分析（Demographic analysis via soft biometrics）
软生物特征从视觉数据中提取年龄和性别属性，无需物理检查。年龄估计必须尊重年龄的自然排序结构：Freytag等人对黑猩猩面部图像应用Log-Euclidean CNN（MAE = 3.6年，占平均寿命8.0%）；Zang等人对大熊猫面部图像利用序数回归（MAE = 2.4年，12.0%）；Renoult等人微调DINOv2-Large处理25,500张山魈肖像（MAE = 3.3年，16.5%）；Zhao等人的双分支模型结合面部外观与鼻部黑色素图案，对东北虎实现MAE = 0.568年（4.1%）。性别分类利用体型二态性、体色和角/鬃毛等解剖特征，多任务CNN可联合学习物种、年龄和性别属性。应用包括大熊猫种群统计监测（年龄类别分类85–90%准确率，人工分析时间从12个月缩短至2周）、性别比例评估（性二态性明显的大型动物>90%准确率）、补充与存活估计以及繁殖成功监测。
行为理解与姿态估计（Behavioral understanding and pose estimation）
行为识别本质上是时空问题。双流网络（Two-Stream networks）分别处理RGB帧（外观）和光流（运动）；3D CNN（C3D、I3D）同时在空间和时间维度应用卷积；SlowFast网络通过慢路径处理低帧率空间语义和快路径处理高帧率运动动力学，在降低计算量的同时实现强性能；视频Transformer通过跨帧全局自注意力处理长时间尺度的复杂多步行为。姿态估计定位解剖关键点，提供编码姿态和身体构型的骨骼表征。AP-10K提供23个动物科、54个物种的10,015张关键点标注图像；APT-36K包含30个物种的36,000个标注帧。3D姿态和形状估计（如Animal3D）通过学习形状先验和时间一致性约束实现单视图视频的3D重建。行为生态学应用包括活动预算分析、圈养刻板行为检测、社会行为与交互网络分析、运动生态学与栖息地利用研究、步态分析与生物力学评估，以及与物种识别和个体重识别的集成。
