Deep Learning-Based Animal Footprint Analysis for Species Recognition and Injury Detection

Technisches Resümee: Deep-Learning-basierte Analyse von Tierfußabdrücken zur Spezieserkennung und Verletzungserkennung

Problemstellung
Wildtiermanagement und Ökosystemüberwachung hängen stark von der Erkennung und Verfolgung verletzter Tiere ab. Traditionelle Methoden basieren auf der manuellen Spurenanalyse (Ichnologie), die inhärent subjektiv, zeitaufwendig und aufgrund der erforderlichen umfassenden Domänenexpertise schwer skalierbar ist. Darüber hinaus führen umweltbedingte Störfaktoren – wie variierende Substrate (z. B. Sand gegenüber Ton), Lichtverhältnisse oder unvollständige Abdrücke – zu einer hohen Intra-Klassen-Varianz, welche die Spurmorphologie verzerrt. Während morphologische Merkmale wie Zehengeometrie und Polsterkonfigurationen einen diagnostischen Wert für die Identifizierung von Arten und die Erkennung von Verletzungen (z. B. Lahmheit oder Trauma) bieten, bleiben aktuelle automatisierte Systeme in der aktiven Naturschutzplanung untergenutzt. Die zentrale Herausforderung besteht darin, interspezifische und intraspezifische morphologische Variationen im Zusammenhang mit Verletzungen mithilfe eines einzigen Deep-Vision-Modells unter realen Klassenungleichgewichten zu isolieren.

Methodik
Die Studie schlägt ein einheitliches Deep-Learning-Framework vor, das die Klassifizierung von Tierarten und die Erkennung verletzungsbedingter struktureller Anomalien aus statischen Spurbildern gemeinsam bewältigt.

• Datensatz: Ein benutzerdefinierter Datensatz aus 1.217 Bildern wurde zusammengestellt, indem der Kaggle „Footprint-Animals“-Datensatz (normale Spuren) mit dem Roboflow Universe-Repository (verletzte Spuren) zusammengeführt wurde. Er deckt sechs Arten ab: Bär, Waschbär, Biber, Löwe, Elefant und Kojote. Die Daten weisen ein signifikantes Klassenungleichgewicht auf, mit 1.014 normalen Proben und 203 verletzten Proben. Die Bilder wurden auf 224×224 Pixel skaliert und unter Verwendung der ImageNet-Mittelwert- und Standardabwektor-Vektoren standardisiert.
• Aufgabenformulierung: Die primäre Aufgabe wird als 12-Klassen-Feinklassifizierung formuliert, wobei jedes Label eine eindeutige Kombination aus Artidentität und Gesundheitsstatus (z. B. „Bär-Normal“, „Bär-Verletzt“) darstellt. Eine sekundäre, vereinfachte binäre Aufgabe (Normal vs. Verletzt) wurde ebenfalls evaluiert, um taxonomische Merkmale von der Verletzungserkennung zu entkoppeln.
• Architekturen: Fünf CNN-Architekturen wurden verglichen: ResNet-50, EfficientNet-B0, EfficientNet-B3, MobileNet-V3 und ConvNeXt-V1 Tiny. Die Modelle wurden mit ImageNet-Gewichten initialisiert und mittels PyTorch feinabgestimmt.
• Optimierung: Das Training erfolgte mit dem AdamW-Optimizer und einer OneCycle-Lernratenpolitik. Um die Klassenverzerrung zu adressieren, verwendeten Baseline-Modelle eine gewichtete Cross-Entropy-Loss-Funktion. Ein sekundäres Experiment setzte Focal Loss ein, um Gradienten aus Mehrheitsklassen zu unterdrücken. Datenaugmentation (Spiegelungen, Rotation, Helligkeit/Kontrast) wurde strikt nur auf den Trainingssplit angewendet.
• Interpretierbarkeit: Gradient-weighted Class Activation Mapping (Grad-CAM) wurde verwendet, um zu verifizieren, dass die Modelle auf relevante morphologische Merkmale (z. B. Polstercluster, Zehenabstand) fokussieren und nicht auf Hintergrundrauschen.

Wichtigste Ergebnisse

• Multi-Klassen-Performance: ConvNeXt-V1 Tiny erreichte die höchste Leistung in der 12-Klassen-Einstellung mit einer Gesamtgenauigkeit von 78,91 % und einem Makro-F1-Score von 68 %. Es demonstrierte eine überlegene Sensitivität gegenüber Minderheitsklassen (z. B. 75 % Recall für verletzte Bären) im Vergleich zu anderen Modellen.
• Modellvergleich: EfficientNet-B0 erreichte eine Genauigkeit von 75,00 %, litt jedoch unter einem niedrigen Makro-F1-Score (55 %) aufgrund eines systematischen Bias hin zu den Mehrheitsklassen („Normal“), was zu einem Recall von 0 % für spezifische verletzte Kohorten führte. EfficientNet-B3 schnitt mit 63,28 % Genauigkeit aufgrund von Überparametrisierung und Trainingsinstabilität schlechter ab.
• Einfluss der Loss-Funktion: Die Implementierung von Focal Loss verbesserte die frühe Konvergenz für Minderheitsklassen, reduzierte jedoch die globale Testgenauigkeit leicht auf 71,88 %, was darauf hindeutet, dass es zwar die Gradienten ausgleicht, die Größe des Datensatzes und die morphologischen Ähnlichkeiten jedoch die globale Generalisierbarkeit einschränken.
• Binäre Klassifizierung: Die Umformulierung der Aufgabe zu einer binären Klassifizierung (Normal vs. Verletzt) ergab eine Spitzengenauigkeit von 96,88 % unter Verwendung von ConvNeXt-V1. Dieses Modell erreichte eine Genauigkeit von 100 % bei normalen Baselines und hielt eine Genauigkeit von >91,3 % bei verletzten Konfigurationen aufrecht.
• Interpretierbarkeit: Die Grad-CAM-Analyse bestätigte, dass die leistungsstärksten Modelle (ConvNeXt-V1) die Aufmerksamkeit präzise auf diagnostische anatomische Merkmale (Polstercluster, Krallenabdrücke) lenkten, während schwächere Modelle eine diffuse Aktivierung auf den Hintergrundsubstraten zeigten.

Bedeutung und Behauptungen
Die Arbeit behauptet, ein vereinheitlichtes Deep-Learning-Paradigma validiert zu haben, das eine nicht-invasive Wildtierüberwachung ohne Handhabung der Tiere ermöglicht. Die primäre Bedeutung liegt in der Demonstration, dass:

1. Moderne Architekturen entscheidend sind: Makro-Kernel-Architekturen wie ConvNeXt besser geeignet sind als traditionelle oder leichte Modelle, um den breiten räumlichen Kontext zu erfassen, der zur Differenzierung subtiler Intra-Klassen-Variationen der Fußabdrücke erforderlich ist.
2. Trade-off der Aufgabenkomplexität: Während feingranulare 12-Klassen-Modelle umfassende diagnostische Details liefern, bieten binäre Abstraktionsmodelle eine signifikant höhere Zuverlässigkeit (96,88 % Genauigkeit). Die Autoren legen nahe, dass die Entkopplung der Verletzungserkennung von der Speziesdiskriminierung den Engpass überlappender Merkmalsrepräsentationen beseitigt.
3. Praktische Implementierung: Die Studie schlägt vor, dass binäre Modelle einen praktikableren Weg für die automatisierte Feldeinsatz bieten, etwa durch Alarmsysteme an Wasserstellen oder Kamerafallen-Arrays, bei denen die Identifizierung der Anwesenheit einer Verletzung Vorrang vor der spezifischen Identifizierung der Art hat.

Die Autoren kommen zu dem Schluss, dass dieser Ansatz zwar Herausforderungen durch Klassenungleichgewichte und Substratvariabilität bestehen bleiben, jedoch die traditionelle Subjektivität der Verfolgung minimiert und eine skalierbare, automatisierte Alternative für die ökologische Überwachung bietet. Zukünftige Arbeiten sollen die taxonomischen Kategorien erweitern und Multi-Frame-Temporaldaten integrieren, um vollständige Gangtrajektorien aufzulösen.