PetFace: A Large-Scale Dataset and Benchmark for Animal Identification

自动动物面部识别在监测行为、进行调查和寻找丢失动物方面发挥着至关重要的作用。尽管人脸识别技术已经取得了进展，但动物领域缺乏数据集和基准已经阻碍了进步。本文介绍了PetFace数据集，这是一个全面的动物面部识别资源，包括13个动物家族和319个品种类别的257,484个独特个体，包括实验动物和宠物动物。这个大规模的个体收集有助于研究未见过的动物面部验证，这是现有数据集中由于个体数量有限而未能充分探索的领域。此外，PetFace还具有细粒度的注释，如性别、品种、颜色和图案。我们提供了多个基准，包括针对已知个体的重新识别和针对未知个体的验证。我们的数据集训练的模型表现优于之前数据集训练的模型，即使是对于详细的品种变化和未见过的动物家族。我们的结果还表明，有一些空间可以改善多个动物家族的综合识别性能。我们希望PetFace数据集能够促进动物面部识别，并鼓励开发非侵入式的动物自动识别方法。

解决问题：论文旨在解决动物面部识别领域中缺乏数据集和基准测试的问题，提出了PetFace数据集，为动物面部识别提供了全面的资源。

关键思路：论文提出了PetFace数据集，包括13个动物家族和319个品种类别，共计257,484个独特个体，具有性别、品种、颜色和图案等精细注释，为动物面部识别提供了全面的资源。

其他亮点：论文提供了多个基准测试，包括对已知个体的再识别和对未知个体的验证。实验结果表明，使用PetFace数据集训练的模型优于之前数据集训练的模型，甚至可以识别详细的品种变化和未知的动物家族。PetFace数据集的开发有助于动物面部识别，并鼓励开发非侵入性的动物自动识别方法。

相关研究：最近的相关研究包括“Deep Learning for Animal Face Recognition”和“Animal Face Recognition Using Deep Learning”。