动物线索：通过踪迹识别动物

野生动物观察在生物多样性保护中发挥着重要作用，因此需要健全的方法来监测野生动物种群和物种间相互作用。计算机视觉的最新进展极大地促进了野生动物观察基本任务的自动化，例如动物检测和物种识别。然而，尽管间接证据（如足迹和粪便）的物种识别对于野生动物监测至关重要，但对它的准确识别仍然相对缺乏研究。为了弥合这一差距，我们推出了 AnimalClue，这是第一个用于从间接证据图像中进行物种识别的大型数据集。我们的数据集包含 159,605 个边界框，涵盖五类间接线索：足迹、粪便、蛋、骨头和羽毛。它涵盖了 968 个物种、200 个科和 65 个目。每张图像都标有物种级别的标签、边界框或分割掩码以及细粒度的特征信息，包括活动模式和栖息地偏好。与主要关注直接视觉特征（例如，动物外观）的现有数据集不同，AnimalClue 对分类、检测和实例分割任务提出了独特的挑战，因为它需要识别更详细和微妙的视觉特征。在我们的实验中，我们广泛评估了代表性的视觉模型，并识别了从动物踪迹中识别动物的关键挑战。我们的数据集和代码可在 https://dahlian00.github.io/AnimalCluePage/ 获得。