非洲野生动物识别面临地理迁移挑战

发表在bioRxiv的一项预印本研究首次系统评估了非洲大陆内部野生动物相机陷阱物种分类中的地理域迁移问题。研究人员利用Snapshot Safari网络的数百万张标注图像，比较了监督学习和零样本基础模型在跨区域分类中的表现。

研究发现，在坦桑尼亚塞伦盖蒂训练的监督模型（BEiTV2）迁移至其他非洲区域时，分类准确率显著下降，而零样本模型（如CLIP）表现出更强的泛化能力。这表明直接依赖单一区域数据训练的模型无法直接应用于整个非洲大陆。

这一发现对大规模生物多样性监测具有重要意义。研究建议采用零样本或多区域联合训练策略，以提升模型在非洲不同生态区的适用性。由于该研究为预印本，尚未经过同行评审。