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

Resumo Técnico: Análise de Pegadas de Animais Baseada em Deep Learning para Reconhecimento de Espécies e Detecção de Lesões

Definição do Problema
A gestão da vida selvagem e o monitoramento de ecossistemas dependem fortemente da detecção e do rastreamento de animais feridos. Os métodos tradicionais envolvem a análise manual de pegadas (icnologia), que é inerentemente subjetiva, demorada e difícil de escalar devido à necessidade de ampla expertise de domínio. Além disso, fatores de confusão ambiental — como variações nos tipos de substrato (ex: areia vs. argila), condições de iluminação e impressões incompletas — introduzem uma alta variância intra-classe, distorcendo a morfologia das trilhas. Embora características morfológicas como a geometria dos dedos e configurações de almofadas (pads) ofereçam valor diagnóstico para identificação de espécies e detecção de lesões (ex: claudicação ou trauma), os sistemas automatizados atuais permanecem subutilizados no planejamento de conservação ativa. O desafio central abordado é isolar as variações morfológicas interespécies e intraespécies associadas a lesões usando um único modelo de visão profunda sob desequilíbrios de classe do mundo real.

Metodologia
O estudo propõe um framework unificado de deep learning para classificar conjuntamente a espécie do animal e detectar anormalidades estruturais relacionadas a lesões a partir de imagens estáticas de trilhas.

• Conjunto de Dados: Um conjunto de dados customizado de 1.217 imagens foi compilado, fundindo o dataset "Footprint-Animals" do Kaggle (trilhas normais) e o repositório Roboflow Universe (trilhas com lesões). Abrange seis espécies: Urso, Guaxinim, Castor, Leão, Elefante e Coiote. Os dados exibem um desequilíbrio de classe significativo, com 1.014 amostras normais e 203 amostras com lesões. As imagens foram redimensionadas para 224×224 pixels e padronizadas usando vetores de média e desvio padrão do ImageNet.
• Formulação da Tarefa: A tarefa primária é formulada como um problema de classificação de grão fino de 12 classes, onde cada rótulo representa uma combinação única de identidade da espécie e estado de saúde (ex: "Urso-Normal", "Urso-Lesado"). Uma tarefa binária secundária simplificada (Normal vs. Lesado) também foi avaliada para desacoplar características taxonômicas da detecção de lesões.
• Arquiteturas: Cinco arquiteturas de Redes Neurais Convolucionais (CNN) foram testadas: ResNet-50, EfficientNet-B0, EfficientNet-B3, MobileNet-V3 e ConvNeXt-V1 Tiny. Os modelos foram inicializados com pesos do ImageNet e ajustados (fine-tuning) usando PyTorch.
• Otimização: O treinamento utilizou o otimizador AdamW com uma política de taxa de aprendizado OneCycle. Para lidar com o desequilíbrio de classes, os modelos de baseline utilizaram perda de entropia cruzada ponderada (weighted cross-entropy loss). A aumentação de dados (giros, rotação, brilho/contraste) foi aplicada estritamente ao split de treinamento.
• Interpretabilidade: O mapeamento de ativação de classe ponderado por gradiente (Grad-CAM) foi utilizado para verificar se os modelos focavam em características morfológicas relevantes (ex: agrupamentos de almofadas, espaçamento de dedos) em vez de ruído de fundo.

Resultos Principais

• Desempenho Multi-Classe: O ConvNeXt-V1 Tiny alcançou o melhor desempenho na configuração de 12 classes, atingindo uma acurácia geral de 78,91% e um F1-score macro de 68%. Demonstrou sensibilidade superior para classes minoritárias (ex: 75% de recall para ursos lesionados) comparado a outros modelos.
• Comparação de Modelos: O EfficientNet-B0 alcançou 75,00% de acurácia, mas sofreu com um baixo F1-score macro (55%) devido a um viés sistêmico em direção às classes majoritárias "normais", resultando em 0% de recall para coortes lesionadas específicas. O EfficientNet-B3 teve desempenho inferior (63,28% de acurácia) devido à sobreparametrização e instabilidade de treinamento.
• Impacto da Função de Perda: A implementação da Focal Loss melhorou a convergência precoce para classes minoritárias, mas reduziu ligeiramente a acurácia global de teste para 71,88%, sugerindo que, embora equilibre os gradientes, o tamanho do dataset e as similaridades morfológicas limitam a generalização global.
• Classificação Binária: Reformular a tarefa como uma classificação binária (Normal vs. Lesado) rendeu um pico de acurácia de 96,88% usando o ConvNeXt-V1. Este modelo alcançou 100% de acurácia em baselines normais e manteve >91,3% de acurácia em configurações lesionadas.
• Interpretabilidade: A análise Grad-CAM confirmou que os modelos de melhor desempenho (ConvNeXt-V1) localizaram a atenção precisamente em características anatômicas diagnósticas (agrupamentos de almofadas, impressões de garras), enquanto os modelos de menor desempenho exibiram ativação difusa nos substratos de fundo.

Significância e Alegações
O artigo afirma validar um paradigma unificado de deep learning capaz de monitoramento não invasivo da vida selvagem sem manipulação animal. Sua principal significância reside em demonstrar que:

1. Arquiteturas Modernas Importam: Arquiteturas de macro-kernel como ConvNeXt são mais adequadas do que modelos tradicionais ou leves para capturar o contexto espacial amplo necessário para diferenciar variações sutis de morfologia intra-classe.
2. Trade-off de Complexidade de Tarefa: Embora modelos de 12 classes de grão fino forneçam detalhes diagnósticos abrangentes, modelos de abstração binária oferecem maior confiabilidade (96,88% de acurácia). Os autores sugerem que o desacoplamento da detecção de lesão da discriminação de espécies remove o gargalo de representações de características sobrepostas.
3. Implantação Prática: O estudo propõe que modelos binários oferecem um caminho mais prático para implantação automatizada em campo, como sistemas de alerta em bebedouros ou redes de armadilhas fotográficas, onde a prioridade é identificar a presença de lesão sobre a identificação de uma espécie específica.

Os autores concluem que, embora o desequilíbrio de classes e a variabilidade do substrato continuem sendo desafios, esta abordagem minimiza a subjetividade tradicional do rastreamento e fornece uma alternativa escalável e automatizada para o monitoramento ecológico. Um trabalho futuro é proposto para expandir as categorias taxonômicas e integrar entradas temporais de múltiplos quadros para resolver trajetórias completas de marcha.