Intra-African Geographic Domain Shift in Wildlife Camera Trap Species Classification: A Comparative Study of Supervised and Zero-Shot Foundation Models

Resumen Técnico: Desplazamiento de Dominio Geográfico Intra-Africano en la Clasificación de Especies de Cámaras Trampa de Vida Silvestre

Planteamiento del Problema
Si bien las redes de cámaras trampa como Snapshot Safari han generado millones de imágenes de vida silvestre etiquetadas en toda África, facilitando el entrenamiento de modelos de aprendizaje profundo para la clasificación automatizada de especies, persiste una brecha crítica en la comprensión de la generalizabilidad de los modelos. Específicamente, el deterioro del rendimiento causado por el desplazamiento de dominio geográfico —desplegar modelos entrenados en una región africana en otra dentro del continente— se comprende poco. Los profesionales de la conservación a menudo enfrentan el desafío de desplegar modelos a través de diversos ecosistemas (por ejemplo, de África Oriental a África Austral) sin los recursos para recolectar nuevos datos etiquetados para cada nueva ubicación.

Metodología
Este estudio presenta la primera evaluación sistemática del desplazamiento de dominio geográfico intra-africano utilizando tres arquitecturas de modelos distintas que interactúan con el conjunto de datos de Snapshot Serengeti de formas fundamentalmente diferentes:

1. Línea Base Supervisada (BEiTV2): El modelo es ajustado (fine-tuned) directamente con imágenes de Serengeti, representando un enfoque estándar de aprendizaje supervisado.
2. Enfoque Basado en Recuperación (DINOv2 + FAISS): Este método utiliza las imágenes de Serengeti como un índice de recuperación dentro de una base de datos vectorial FAISS. Los pesos del modelo no se actualizan; la clasificación se logra recuperando las imágenes de Serengeti más similares a la consulta.
3. Modelo Fundacional de Verdadero Cero Disparos (Zero-Shot) (BioCLIP): Esta arquitectura no recibe ningún dato de entrenamiento de Serengeti, dependiendo enteramente de sus capacidades fundacionales preentrenadas para clasificar especies.

Diseño Experimental
Los tres modelos fueron evaluados en dos conjuntos de prueba distintos del sur de África: Snapshot Kgalagadi y Snapshot Kruger, así como en un conjunto de fotografías de vida silvestre recolectadas localmente en Botswana. El estudio abarca ocho experimentos específicos diseñados para aislar las variables que afectan el desplazamiento de dominio:

• Líneas base en el dominio (in-domain).
• Rendimiento de transferencia entre conjuntos de datos.
• Efectos de escalado de datos.
• El impacto del preprocesamiento de MegaDetector.
• Comparaciones entre condiciones de imagen en escala de grises y color.
• Análisis de transferencia por especie para identificar qué especies son más o menos afectadas por el desplazamiento de dominio.

Contribuciones Clave y Resultados
El artículo proporciona la primera caracterización empírica del desplazamiento de dominio geográfico intra-africano a través de arquitecturas tanto de zero-shot como supervisadas. Al comparar BEiTV2, DINOv2 y BioCLIP, el estudio cuantifica cómo diferentes paradigmas de aprendizaje manejan las variaciones ecológicas y visuales entre los ecosistemas de África Oriental y África Austral. Los resultados ofrecen un análisis comparativo de:

• La eficacia del ajuste fino (fine-tuning) frente a la inferencia de cero disparos (zero-shot) en un contexto de conservación.
• La utilidad de los métodos basados en recuperación como un punto medio.
• La robustez de los modelos bajo diversas condiciones de preprocesamiento (por ejemplo, MegaDetector) y modalidades de imagen (color frente a escala de grises).
• Vulnerabilidades específicas a nivel de especie ante el desplazamiento de dominio geográfico.

Significancia
La principal significancia de este trabajo reside en su provisión de orientación práctica para los profesionales de la IA en la conservación. Aborda la restricción del mundo real de desplegar modelos a través de los diversos ecosistemas del sur de África sin la necesidad de recolectar nuevos datos etiquetados para cada sitio de despliegue. Al caracterizar sistemáticamente los límites y capacidades de los modelos fundacionales actuales y las líneas base supervisadas en este contexto geográfico específico, el estudio permite tomar decisiones más informadas respecto a la selección de modelos y las estrategias de despliegue para el monitoreo de la vida silvestre en todo el continente africano.