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

Resumo Técnico: Mudança de Domínio Geográfico Intra-Africana na Classificação de Espécies em Armadilhas Fotográficas de Vida Selvagem

Definição do Problema
Embora redes de armadilhas fotográficas como o Snapshot Safari tenham gerado milhões de imagens de vida selvagem rotuladas em toda a África, facilitando o treinamento de modelos de aprendizado profundo para classificação automatizada de espécies, uma lacuna crítica permanece na compreensão da generalização dos modelos. Especificamente, o desempenho degradado causado pela mudança de domínio geográfico — implementar modelos treinados em uma região africana em outra dentro do continente — é pouco compreendido. Os profissionais de conservação frequentemente enfrentam o desafio de implementar modelos em diversos ecossistemas (por exemplo, do leste para o sul da África) sem os recursos para coletar novos dados rotulados para cada nova localização.

Metodologia
Este estudo apresenta a primeira avaliação sistemática da mudança de domínio geográfico intra-africana usando três arquiteturas de modelos distintas que interagem com o conjunto de dados Snapshot Serengeti de formas fundamentalmente diferentes:

1. Baseline Supervisionado (BEiTV2): O modelo é ajustado (fine-tuned) diretamente em imagens do Serengeti, representando uma abordagem padrão de aprendizado supervisionado.
2. Abordagem Baseada em Recuperação (DINOv2 + FAISS): Este método utiliza imagens do Serengeti como um índice de recuperação dentro de um banco de dados vetorial FAISS. Os pesos do modelo não são atualizados; a classificação é alcançada recuperando as imagens do Serengeti mais similares à consulta (query).
3. Modelo de Fundação True Zero-Shot (BioCLIP): Esta arquitetura não recebe nenhum dado de treinamento do Serengeti, baseando-se inteiramente em suas capacidades de fundação pré-treinadas para classificar espécies.

Desenho Experimental
Todos os três modelos foram avaliados em dois conjuntos de teste distintos do sul da África: Snapshot Kgalagadi e Snapshot Kruger, bem como em um conjunto de fotografias de vida selvagem coletadas localmente em Botswana. O estudo abrange oito experimentos específicos projetados para isolar variáveis que afetam a mudança de domínio:

• Baselines de domínio interno (in-domain).
• Desempenho de transferência entre conjuntos de dados (cross-dataset transfer).
• Efeitos de escala de dados.
• O impacto do pré-processamento MegaDetector.
• Comparações entre condições de imagem em escala de cinza e coloridas.
• Análise de transferência por espécie para identificar quais espécies são mais ou menos afetadas pela mudança de domínio.

Principais Contribuições e Resultados
O artigo fornece a primeira caracterização empírica da mudança de domínio geográfico intra-africana em arquiteturas tanto de zero-shot quanto supervisionadas. Ao comparar BEiTV2, DINOv2 e BioCLIP, o estudo quantifica como diferentes paradigmas de aprendizado lidam com as variações ecológicas e visuais entre os ecossistemas do leste e do sul da África. Os resultados oferecem uma análise comparativa de:

• A eficácia do ajuste fino (fine-tuning) versus inferência zero-shot em um contexto de conservação.
• A utilidade de métodos baseados em recuperação como um meio-termo.
• A robustez de modelos sob variadas condições de pré-processamento (ex: MegaDetector) e modalidades de imagem (colorida vs. escala de cinza).
• Vulnerabilidades específicas de nível de espécie à mudança de domínio geográfico.

Significância
A principal significância deste trabalho reside no fornecimento de orientação prática para profissionais de IA de conservação. Ele aborda a restrição do mundo real de implementar modelos através dos diversos ecossistemas do sul da África sem a necessidade de coletar novos dados rotulados para cada local de implementação. Ao caracterizar sistematicamente os limites e as capacidades dos atuais modelos de fundação e baselines supervisionados neste contexto geográfico específico, o estudo permite decisões mais informadas sobre a seleção de modelos e estratégias de implementação para o monitoramento da vida selvagem em todo o continente africano.