DeepForestVisionV2: Ecology-Driven Taxonomy Expansion for Camera-Trap Monitoring in African Tropical Forests

Resumen Técnico: DeepForestVisionV2

Planteamiento del Problema
El monitoreo mediante cámaras trampa en los bosques tropicales africanos se está expandiendo cada vez más más allá de los interiores de dosel cerrado para incluir riberas de ríos, claros y bordes de parques. Aunque la identificación automatizada de especies es esencial para procesar el creciente volumen de datos, las herramientas existentes suelen carecer de la resolución taxonómica requerida para estos diversos escenarios de despliegue. El modelo original DeepForestVision, aunque superior a otras herramientas abiertas (Mbaza, Zamba, SpeciesNet) en el procesamiento de video y fotos fuera de línea, fue diseñado para interiores de nivel de suelo y dosel cerrado. Su espacio de predicción de 35 clases es demasiado grueso para los gradientes ecológicos emergentes:

1. Estratificación Vertical: Los primates arbóreos se vuelven visibles cerca de los claros y aperturas del dosel.
2. Apertura del Escenario: Las riberas de los ríos exponen aves y taxones semiacuáticos raramente vistos en interiores densos.
3. Interfaces Antropogénicas: El monitoreo de los bordes de los parques requiere distinguir la fauna silvestre del ganado para evitar alarmas molestas.

Las etiquetas gruesas del modelo original (por ejemplo, "ave" genérica, "mono" o "civet/genet") son insuficientes para la interpretación ecológica o las acciones de gestión en estos contextos específicos.

Metodología
Los autores presentan DeepForestVisionV2, una expansión de la cultura de la ecología del sistema original que mantiene el mismo flujo de trabajo fuera de línea y sin código (vía AddaxAI) tanto para fotografías como para videos.

• Expansión de la Taxonomía: El espacio de predicción se expandió de 35 a 64 clases (61 clases de animales, más humano, vehículo y blanco/vacío). Este rediseño apunta específicamente a los tres gradientes ecológicos mencionados, introduciendo clases de mayor granularidad para primates (por ejemplo, especies específicas de mangabeys y colobus), aves (por ejemplo, grullas, hornos) taxones semi-riparios (por ejemplo, nutrias, hipopótamos) y animales domésticos (ganado, perros, cabras).
• Conjuntos de Datos: El modelo fue entrenado con un corpus multi-país que comprende 1,535,010 fotografías y 243,354 videos de proyectos de bosques tropicales africanos en Uganda, Gabón, Sierra Leona y el Congo. Las fuentes de datos incluyen el Proyecto de Chimpancés de Sebitoli, CIRAD, Biotope y Wildlife Insights.
• Arquitectura del Pipeline:
  • Detección: Se utiliza MegaDetector v5 para detectar animales, humanos y vehículos. Las etiquetas de humanos y vehículos se asignan directamente; las detecciones de animales son recortadas.
  • Clasificación: Las detecciones de animales recortadas son procesadas por un clasificador DINOv3 ViT-B/16 ajustado (fine-tuned).
  • Agregación: Para los videos, las puntuaciones de clase se computan en fotogramas muestreados y se promedian para producir una única predicción a nivel de ítem.
• Estrategia de Entrenamiento: El clasificador fue ajustado utilizando PyTorch con una amplia aumentación (recortes de redimensionamiento aleatorio, giros, fluctuación de color, escala de grises, etc.). La optimización utilizó AdamW con tasas de aprendizaje separadas para el backbone y la cabeza, suavizado de etiquetas y programación de coseno (cosine scheduling).
• Protocolo de Evaluación:
  • Validación: Se utilizó un conjunto de validación de fotos recortadas trans-país (derivado de las fuentes de entrenamiento pero dividido por nivel de cámara) para evaluar la robustez a través de sitios y configuraciones.
  • Benchmarks de Despliegue: Tres benchmarks de video retenidos de Kibale National Park, Uganda, se utilizaron para simular condiciones del mundo real: Interior del Bosque (17,899 videos), Riberas de Ríos (1,016 videos) y Borde del Parque (146 videos).
  • Métricas: Se reportaron precisión (accuracy), precisión balanceada, macro-F1 y precisión/exhaustividad (recall) por clase. Para el benchmark del borde del parque, se definió una "tarea de alarma" para medir la capacidad del sistema para distinguir intrusiones de primates de los pasos molestos de cabras.

Contribuciones Clave

1. Taxonomía Impulsada por la Ecología: Una expansión de 35 a 64 clases alineada con la estratificación vertical, la apertura del escenario y las interfaces antropogénicas.
2. Benchmark de Robustez: Un conjunto de validación de fotos recortadas geográficamente diverso en toda África para evaluar la robustez del clasificador a través de diferentes sitios y configuraciones de cámaras trampa.
3. Evaluación Centrada en el Despliegue: Una evaluación comparativa de DeepForestVisionV2 contra el DeepForestVision original en tres benchmarks de video específicos, demostrando el desempeño bajo flujos de trabajo fuera de línea equivalentes.

Resultados

• Conjunto de Validación: DeepForestVisionV2 logró una precisión de 0.86, una precisión balanceada de 0.81 y un macro-F1 de 0.82 a través de todo el espacio objetivo de 61 animales, demostrando robustez a través de países y hábitats.
• Benchmark de Interior del Bosque: El modelo mantuvo la precisión original (0.89) mientras aumentaba el número de taxones identificados de 22 a 29, sacando a la luz grupos específicos de primates arbóreos y aves que anteriormente se fusionaban en etiquetas gruesas.
• Benchmark de Ribera de Río: La precisión se mantuvo comparable (0.72 vs. 0.73), pero el número de taxones identificados aumentó de 4 a 9, capturando aves y especies semiacuáticas.
• Benchmark de Borde del Parque: El modelo mejoró significamente la precisión de 0.62 a 0.86. Crucialmente, redujo las falsas alarmas (detecciones de cabras que activaban alertas de primates) de 11 a 0, manteniendo una alta exhaustividad (recall) de 0.95 para las alarmas reales de primates.
• Calibración: El modelo exhibió un Error de Calibración Esperado (ECE) de 0.17, lo que indica sub-confianza (la precisión empírica superó la confianza predicha), sugiriendo que las puntuaciones de confianza no deben tratarse como probabilidades calibradas sin un ajuste post-hoc.

Significancia y Reivindicaciones
El artículo afirma que DeepForestVisionV2 mejora materialmente la utilidad de campo del monitoreo mediante cámaras trampa sin sacrificar la robustez del flujo de trabajo fuera de línea original. Al alinear la taxonomía con los gradientes de despliegue ecológico específicos, el sistema:

• Preserva o mejora la precisión base a pesar de la mayor dificultad de una tarea de 64 clases.
• Proporciona la resolución taxonómica necesaria para preguntas ecológicas posteriores en entornos de no dosel.
• Ofrece beneficios operativos directos para la gestión de parques al filtrar alarmas molestas (ganado) en los bordes de los parques, haciendo que el sistema sea más viable para los procesos de alerta automatizados donde los falsos positivos son costosos.

Los autores concluyen que la expansión de la taxonomía impulsada por la ecología hace que los flujos de trabajo de IA listos para el campo sean más informativos para la conservación a través de hábitats contrastantes, aunque señalan que el desempeño en los benchmarks de video es menor que en las imágenes recortadas debido a errores de detección y un apoyo de validación limitado para taxones raros.