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

Sintesi Tecnica: Spostamento del Dominio Geografico Intra-Africano nella Classificazione delle Specie tramite Fototrappole

Problematica
Sebbene le reti di fototrappole come Snapshot Safari abbiano generato milioni di immagini di fauna selvatica etichettate in tutta l'Africa, facilitando l'addestramento di modelli di deep learning per la classificazione automatica delle specie, rimane un divario critico nella comprensione della generalizzabilità dei modelli. Nello specifico, il degrado delle prestazioni causato dallo spostamento del dominio geografico — ovvero l'impiego di modelli addestrati in una regione africana in un'altra all'interno del continente — è scarsamente compreso. I professionisti della conservazione affrontano spesso la sfida di implementare modelli in ecosistemi diversi (ad esempio, dall'Africa orientale a quella meridionale) senza le risorse per raccogliere nuovi dati etichettati per ogni nuova località.

Metodologia
Questo studio presenta la prima valutazione sistematica dello spostamento del dominio geografico intra-africano utilizzando tre architetture di modelli distinte che interagiscono con il dataset Snapshot Serengeti in modi fondamentalmente differenti:

1. Baseline Supervisionata (BEiTV2): Il modello viene perfezionato (fine-tuned) direttamente sulle immagini del Serengeti, rappresentando un approccio standard di apprendimento supervisionato.
2. Approccio Basato sul Recupero (DINOv2 + FAISS): Questo metodo utilizza le immagini del Serengeti come indice di recupero all'interno di un database vettoriale FAISS. I pesi del modello non vengono aggiornati; la classificazione avviene recuperando le immagini del Serengeti più simili alla query.
3. Modello Fondazionale True Zero-Shot (BioCLIP): Questa architettura non riceve alcun dato di addestramento dal Serengeti, affidandosi interamente alle proprie capacità fondazionali pre-addestrate per classificare le specie.

Disegno Sperimentale
Tutti e tre i modelli sono stati valutati su due distinti set di test dell'Africa meridionale: Snapshot Kgalagadi e Snapshot Kruger, nonché su un set di fotografie di fauna selvatica raccolte localmente in Botswana. Lo studio comprende otto esperimenti specifici progettati per isolare le variabili che influenzano lo spostamento del dominio:

• Baseline in-domain.
• Prestazioni di trasferimento cross-dataset.
• Effetti di scalabilità dei dati.
• L'impatto del pre-processing di MegaDetector.
• Confronti tra condizioni di immagine in scala di grigi e a colori.
• Analisi del trasferimento per singola specie per identificare quali specie siano più o meno colpite dallo spostamento del dominio.

Contributi Chiave e Risultati
Il documento fornisce la prima caratterizzazione empirica dello spostamento del dominio geografico intra-africano attraverso architetture sia supervisionate che zero-shot. Confrontando BEiTV2, DINOv2 e BioCLIP, lo studio quantifica come diversi paradigmi di apprendimento gestiscano le variazioni ecologiche e visive tra gli ecosistemi dell'Africa orientale e meridionale. I risultati offrono un'analisi comparativa di:

• L'efficacia del fine-tuning rispetto all'inferenza zero-shot in un contesto di conservazione.
• L'utilità dei metodi basati sul recupero come via di mezzo.
• La robustezza dei modelli sotto diverse condizioni di pre-processing (es. MegaDetector) e modalità di immagine (colore vs. scala di grigi).
• Le vulnerabilità specifiche a livello di specie rispetto allo spostamento del dominio geografico.

Significatività
La principale significatività di questo lavoro risiede nel fornire una guida pratica per i professionisti dell'IA applicata alla conservazione. Esso affronta il vincolo reale del dispiegamento di modelli attraverso i diversi ecosistemi dell'Africa meridionale senza la necessità di raccogliere nuovi dati etichettati per ogni sito di implementazione. Caratterizzando sistematicamente i limiti e le capacità degli attuali modelli fondazionali e delle baseline supervisionate in questo specifico contesto geografico, lo studio consente decisioni più informate riguardanti la selezione dei modelli e le strategie di implementazione per il monitoraggio della fauna selvatica in tutto il continente africano.