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

Resumo Técnico: DeepForestVisionV2

Definição do Problema
O monitoramento por armadilhas fotográficas em florestas tropicais africanas está se expandindo cada vez mais além dos interiores de dossel fechado para incluir margens de rios, clareiras e bordas de parques. Embora a identificação automatizada de espécies seja essencial para processar o crescente volume de dados, as ferramentas existentes muitas vezes carecem da resolução taxonômica necessária para esses diversos cenários de implantação. O modelo original DeepForestVision, embora superior a outras ferramentas abertas (Mbaza, Zamba, SpeciesNet) no processamento de vídeo e fotos offline, foi projetado para interiores de nível do solo e dossel fechado. Seu espaço de predição de 35 classes é muito grosseiro para os gradientes ecológicos emergentes:

1. Estratificação Vertical: Primatas arbóreos tornam-se visíveis próximos a clareiras e aberturas no dossel.
2. Abertura do Cenário: Margens de rios expõem aves e táxons semiaquáticos raramente vistos em interiores densos.
3. Interfaces Antropogênicas: O monitoramento de bordas de parques requer a distinção entre vida selvagem e gado para evitar alarmes de incômodo.

Os rótulos grosseiros do modelo original (por exemplo, "ave" genérica, "macaco" ou "civet/geneta") são insuficientes para interpretação ecológica ou ações de manejo nesses contextos específicos.

Metodologia
Os autores apresentam o DeepForestVisionV2, uma expansão do sistema original orientada pela ecologia que mantém o mesmo fluxo de trabalho offline e sem código (via AddaxAI) tanto para fotografias quanto para vídeos.

• Expansão Taxonômica: O espaço de predição foi expandido de 35 para 64 classes (61 classes de animais, mais humano, veículo e blank). Este redesenho visa especificamente os três gradientes ecológicos mencionados, introduzindo classes de grão mais fino para primatas (ex: espécies específicas de mangabeia e colobus), aves (ex: grou, calaos), táxons semi-ripários (ex: lontras, hipopótamos) e animais domésticos (gado, cães, cabras).
• Datasets: O modelo foi treinado em um corpus multicontinental compreendendo 1.535.010 fotografias e 243.354 vídeos de projetos de florestas tropicais africanas em Uganda, Gabão, Serra Leoa e Congo. As fontes de dados incluem o Projeto Chimpanzé Sebitoli, CIRAD, Biotope e Wildlife Insights.
• Arquitetura do Pipeline:
  • Detecção: O MegaDetector v5 é usado para detectar animais, humanos e veículos. Rótulos de humanos e veículos são atribuídos diretamente; detecções de animais são recortadas (cropped).
  • Classificação: As detecções de animais recortadas são processadas por um classificador DINOv3 ViT-B/16 ajustado (fine-tuned).
  • Agregação: Para vídeos, os escores de classe são computados em quadros amostrados e calculados pela média para produzir uma única predição por item.
• Estratégia de Treinamento: O classificador foi ajustado usando PyTorch com amplas técnicas de aumento de dados (augmentation) (recortes redimensionados aleatórios, inversões, alteração de cor, escala de cinza, etc.). A otimização utilizou AdamW com taxas de aprendizado separadas para o backbone e o head, suavização de rótulos (label smoothing) e escalonamento de cosseno (cosine scheduling).
• Protocolo de Avaliação:
  • Validação: Um conjunto de validação de fotos recortadas transfronteiriço (derivado das fontes de treinamento, mas dividido por nível de câmera) foi utilizado para avaliar a robustez em diferentes locais e configurações.
  • Benchmarks de Implantação: Três benchmarks de vídeo retidos (held-out) do Parque Nacional de Kibale, Uganda, foram usados para simular condições reais: Interior da Floresta (17.899 vídeos), Margens de Rios (1.016 vídeos) e Borda do Parque (146 vídeos).
  • Métricas: Acurácia, acurácia balanceada, macro-F1 e precisão/recall por classe foram reportados. Para o benchmark de borda de parque, uma "tarefa de alarme" foi definida para medir a capacidade do sistema de distinguir intrusões de primatas de passagens incômodas de cabras.

Principais Contribuições

1. Taxonomia Orientada pela Ecologia: Uma expansão de 35 para 64 classes alinhada à estratificação vertical, abertura de cena e interfaces antropogênicas.
2. Benchmark de Robustez: Um conjunto de validação de fotos recortadas geograficamente diverso, abrangendo toda a África, para avaliar a robustez do classificador entre diferentes locais e configurações de armadilhas fotográficas.
3. Avaliação Centrada na Implantação: Uma avaliação comparativa do DeepForestVisionV2 contra o DeepForestVision original em três benchmarks de vídeo específicos, demonstrando desempenho sob fluxos de trabalho offline equivalentes.

Resultos

• Conjunto de Validação: O DeepForestVisionV2 alcançou 0,86 de acurácia, 0,81 de acurácia balanceada e 0,82 de macro-F1 em todo o espaço alvo de 61 animais, demonstrando robustez entre países e habitats.
• Benchmark de Interior da Floresta: O modelo manteve a acurácia original (0,89) enquanto aumentou o número de táxons identificados de 22 para 29, revelando grupos específicos de primatas arbóreos e aves anteriormente agrupados em rótulos grosseiros.
• Benchmark de Margem de Rio: A acurácia permaneceu comparável (0,72 vs. 0,73), mas o número de táxons identificados aumentou de 4 para 9, capturando aves e espécies semiaquáticas.
• Benchmark de Borda de Parque: O modelo melhorou significamente a acurácia de 0,62 para 0,86. Crucialmente, reduziu os alarmes falsos (detecções de cabras disparando alertas de primatas) de 11 para 0, mantendo um alto recall (0,95) para alarmes verdadeiros de primatas.
• Calibração: O modelo exibiu um Erro de Calibração Esperado (ECE) de 0,17, indicando subconfiança (a acurácia empírica excedeu a confiança prevista), sugerindo que os escores de confiança não devem ser tratados como probabilidades calibradas sem ajuste post-hoc.

Significância e Alegações
O artigo afirma que o DeepForestVisionV2 melhora materialmente a utilidade de campo do monitoramento por armadilhas fotográficas sem sacrificar a robustez do fluxo de trabalho offline original. Ao alinhar a taxonomia com os gradientes específicos de implantação ecológica, o sistema:

• Preserva ou melhora a acurácia de base, apesar da maior dificuldade de uma tarefa de 64 classes.
• Fornece a resolução taxonômica necessária para questões ecológicas subsequentes em ambientes de não-dosel.
• Oferece benefícios operacionais diretos para o manejo de parques ao filtrar alarmes incômodos (gado) em bordas de parques, tornando o sistema mais viável para pipelines de alerta automatizados onde falsos positivos são dispendiosos.

Os autores concluem que a expansão da taxonomia orientada pela ecologia torna os fluxos de trabalho de IA prontos para o campo mais informativos para a conservação em habitats contrastantes, embora notem que o desempenho nos benchmarks de vídeo é inferior ao das imagens recortadas devido a erros de detecção e suporte de validação limitado para táxons raros.