AnimalClue：通过痕迹识别动物

野生动物观测在生物多样性保护中发挥着重要作用，亟需建立稳健的监测方法，以实现对野生动物种群及其种间相互作用的有效追踪。近年来，计算机视觉技术的进展显著推动了野生动物观测基础任务的自动化，例如动物检测与物种识别。然而，从足迹、粪便等间接证据中准确识别物种的研究仍相对匮乏，尽管这一能力对野生动物监测具有重要意义。为填补这一空白，我们提出了 AnimalClue——首个面向间接证据图像的物种识别大规模数据集。该数据集包含159,605个边界框，涵盖五类间接线索：足迹、粪便、蛋、骨骼和羽毛，覆盖968个物种、200个科和65个目。每张图像均标注了物种级别标签、边界框或分割掩码，并附有精细的性状信息，包括活动节律和生境偏好。与现有数据集主要聚焦于直接视觉特征（如动物外观）不同，AnimalClue 因需识别更细致、更微妙的视觉特征，为分类、检测和实例分割任务带来了独特挑战。在实验中，我们系统评估了多种代表性视觉模型，并揭示了从动物痕迹中进行物种识别的关键难点。本数据集及代码已公开，访问地址为：https://dahlian00.github.io/AnimalCluePage/