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

Resumen Técnico: Análisis de Huellas de Animales Basado en Aprendizaje Profundo para el Reconocimiento de Especies y la Detección de Lesiones

Planteamiento del Problema
La gestión de la vida silvestre y el monitoreo de los ecosistemas dependen en gran medida de la detección y el seguimiento de animales lesionados. Los métodos tradicionales implican el análisis manual de huellas (icnología), el cual es inherentemente subjetivo, lento y difícil de escalar debido a la necesidad de una amplia experiencia en el dominio. Además, los factores de confusión ambiental —como los tipos de sustrato variables (por ejemplo, arena frente a arcilla), las condiciones de iluminación y las huellas incompletas— introducen una alta varianza intraespecífica, lo que distorsiona la morfología de la traza. Si bien las características morfológicas, como la geometría de los dedos y las configuraciones de las almohadillas, ofrecen un valor diagnóstico para la identificación de especies y la detección de lesiones (por ejemplo, cojera o trauma), los sistemas automatizados actuales siguen estando subutilizados en la planificación activa de la conservación. El desafío central abordado es el aislamiento de las variaciones morfológicas interespecíficas e intraespecíficas asociadas con lesiones utilizando un único modelo de visión profunda bajo condiciones reales de desequilibrio de clases.

Metodología
El estudio propone un marco de aprendizaje profundo unificado para clasificar conjuntamente la especie del animal y detectar anomalías estructurales relacionadas con lesiones a partir de imágenes estáticas de huellas.

• Conjunto de Datos: Se compiló un conjunto de datos personalizado de 1,217 imágenes, fusionando el conjunto de datos "Footprint-Animals" de Kaggle (huellas normales) y el repositorio Roboflow Universe (huellas lesionadas). Cubre seis especies: Oso, Mapache, Castor, León, Elefante y Coyote. Los datos presentan un desequilibrio de clases significativo, con 1,014 muestras normales y 203 muestras lesionadas. Las imágenes se redimensionaron a 224×224 píxeles y se estandarizaron utilizando los vectores de media y desviación estándar de ImageNet.
• Formulación de la Tarea: La tarea principal se enmarca como un problema de clasificación de grano fino de 12 clases, donde cada etiqueta representa una combinación única de identidad de la especie y estado de salud (por ejemplo, "Oso-Normal", "Oso-Lesionado"). También se evaluó una tarea binaria secundaria simplificada (Normal frente a Lesionado) para desacoplar las características taxonómicas de la detección de lesiones.
• Arquitecturas: Se compararon cinco arquitecturas de Redes Neuronales Convolucionales (CNN): ResNet-50, EfficientNet-B0, EfficientNet-B3, MobileNet-V3 y ConvNeXt-V1 Tiny. Los modelos se inicializaron con pesos de ImageNet y se ajustaron mediante fine-tuning usando PyTorch.
• Optimización: El entrenamiento utilizó el optimizador AdamW con una política de tasa de aprendizaje OneCycle. Para abordar el sesgo de clase, los modelos base utilizaron una pérdida de entropía cruzada ponderada. Un experimento secundario empleó Focal Loss para suprimir los gradientes de las clases mayoritarias. Se aplicó aumentación de datos (giros, rotación, brillo/contraste) estrictamente al conjunto de entrenamiento.
• Interpretabilidad: Se utilizó el Mapeo de Activación de Clase ponderado por Gradiente (Grad-CAM) para verificar que los modelos se enfocaran en características morfológicas relevantes (por ejemplo, grupos de almohadillas, espaciado de dedos) en lugar de ruido de fondo.

Resultados Clave

• Rendimiento Multiclase: ConvNeXt-V1 Tiny logró el mayor rendimiento en el entorno de 12 clases, alcanzando una precisión general del 78.91% y una puntuación F1 macro de 68%. Demostró una sensibilidad superior a las clases minoritarias (por ejemplo, 75% de recall para osos lesionados) en comparación con otros modelos.
• Comparación de Modelos: EfficientNet-B0 alcanzó un 75.00% de precisión pero sufrió de un bajo F1 macro (55%) debido a un sesgo sistémico hacia las clases "normales" mayoritarias, resultando en un 0% de recall para cohortes lesionadas específicas. EfficientNet-B3 tuvo un desempeño inferior (63.28% de precisión) debido a la sobreparametrización e inestabilidad en el entrenamiento.
• Impacto de la Función de Pérdida: La implementación de Focal Loss mejoró la convergencia temprana para las clases minoritarias, pero redujo ligeramente la precisión global de prueba a 71.88%, lo que sugiere que, si bien equilibra los gradientes, el tamaño del conjunto de datos y las similitudes morfológicas limitan la generalización global.
• Clasificación Binaria: Reformular la tarea como una clasificación binaria (Normal frente a Lesionado) produjo un pico de precisión del 96.88% utilizando ConvNeXt-V1. Este modelo logró un 100% de precisión en las bases normales y mantuvo una precisión >91.3% en las configuraciones de lesiones.
• Interpretabilidad: El análisis de Grad-CAM confirmó que los modelos con mejor desempeño (ConvNeXt-V1) localizaron la atención precisamente en las características anatómicas diagnósticas (grupos de almohadillas, impresiones de garras), mientras que los modelos de menor rendimiento exhibieron una activación difusa en los sustratos de fondo.

Significancia y Reivindicaciones
El artículo afirma validar un paradigma de aprendizaje profundo unificado capaz de realizar un monitoreo de vida silvestre no invasivo sin manipulación de animales. Su principal significancia radica en demostrar que:

1. Las Arquitecturas Modernas Importan: Las arquitecturas de macro-kernel como ConvNeXt son más adecuadas que los modelos tradicionales o ligeros para capturar el contexto espacial amplio requerido para diferenciar las sutiles variaciones intraespecíficas de las huellas.
2. Compromiso de Complejidad de la Tarea: Mientras que los modelos de 12 clases de grano fino proporcionan detalles diagnósticos exhaustivos, los modelos de abstracción binaria ofrecen una fiabilidad significativamente mayor (96.88% de precisión). Los autores sugieren que el desacoplamiento de la detección de lesiones de la discriminación de especies elimina el cuello de botella de las representaciones de características superpuestas.
3. Despliegue Práctico: El estudio propone que los modelos binarios ofrecen un camino más práctico para el despliegue automatizado en campo, como sistemas de alerta en puntos de agua o arreglos de cámaras trampa, donde la prioridad es identificar la presencia de una lesión sobre la identificación de la especie específica.

Los autores concluyen que, si bien los desequilibrios de clase y la variabilidad del sustrato siguen siendo desafíos, este enfoque minimiza la subjetividad tradicional del rastreo y proporciona una alternativa escalable y automatizada para el monitoreo ecológico. Se propone como trabajo futuro expandir las categorías taxonómicas e integrar entradas temporales de múltiples fotogramas para resolver trayectorias completas de la marcha.