Search
castle

CatHealth▼

Cat Re-ID 참고 자료 정리

모델

MegaDescriptor

버전별 스펙

버전 Backbone 파라미터 모델 크기 입력 해상도 비고
Tiny Swin-T ~28 M ~110 MB 224 px 엣지 디바이스 검토용
Small Swin-S ~50 M ~200 MB 224 px 균형형
Base Swin-B ~88 M ~473 MB 224 px -
Large Swin-L ~229 M ~900 MB 224/384 px 최고 정확도, 서버 권장

빠른 시작 코드

import timm
import torchvision.transforms as T

model = timm.create_model("hf-hub:BVRA/MegaDescriptor-L-384", pretrained=True)
model = model.eval()

transforms = T.Compose([
    T.Resize((384, 384)),
    T.ToTensor(),
    T.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])

MiewID

  • MegaDescriptor 후속 멀티스피시즈 Re-ID 모델
  • 49종, 37K 개체, 225K 이미지 데이터셋으로 학습 수행
  • Unseen Species 기준 MegaDescriptor 대비 평균 Top-1 Accuracy 19.2% 향상 확인
  • 논문: Multispecies Animal Re-ID Using a Large Community-Curated Dataset (2024)
  • EfficientNetV2 Backbone 및 Sub-center ArcFace Loss 채택
  • MegaDescriptor 대비 신규 종(Unseen Species)에 대한 강력한 Zero-shot 성능 제공

관련 논문

고양이 Re-ID 직접 관련

논문 링크 핵심 내용
Siamese Networks for Cat Re-Identification (2025) arxiv 2501.02112 Hello Street Cat 데이터셋(69마리, 2796장) 기반 Siamese Network 학습. VGG16 + Contrastive Loss 조합 최고 성능(정확도 97%, F1 0.93) 달성
What cat is that? A re-id model for feral cats (2025) arxiv 2507.11575 야생 고양이 Re-ID 목적의 Part-based 모델 설계 및 평가
Body-part-based feral cat identification (2025) ScienceDirect 카메라 트랩 이미지 활용, 신체 부위별 특징 추출 및 식별 성능 검증

동물 Re-ID 일반

논문 링크 핵심 내용
WildlifeDatasets (WACV 2024) arxiv 2311.09118 MegaDescriptor 발표 논문. 29개 이상 데이터셋 종합 벤치마크 수행
AnimalCLEF 2025 (DS@GT) arxiv 2509.12353 MegaDescriptor + KNN 기반 식별 및 DINOv2 비교 분석. ViT 기반 Triplet Learning 적용
In Defense of Triplet Loss for Person Re-ID arxiv 1703.07737 Triplet Loss의 Re-ID 유효성 실증 및 최적화 기법 제안
ArcFace (CVPR 2019) 논문 PDF Additive Angular Margin Loss 제안. Triplet Loss 대비 우수한 Inter-class 판별력 확보
Animal Re-ID on Microcontrollers (2025) arxiv 2512.08198 개체당 2~3장의 소량 데이터 기반 최종 레이어 Few-shot Fine-tuning 성능 실증

데이터셋

메인 데이터셋

데이터셋 규모 링크 비고
Hello Street Cat 69마리, 2,796장 HelloStreetCatWiki 수집 메인 학습 및 평가 데이터. 추가 데이터 수집 가능

보조 데이터셋 (고양이)

데이터셋 규모 링크 비고
CatIndividualImages - Kaggle 고양이 개체 식별 연구용 데이터셋
Cat Dataset (Oxford) 9,000장+ Kaggle 고양이 얼굴 랜드마크 어노테이션 포함

WildlifeDatasets 툴킷 (동물 Re-ID 통합)

  • 50개 이상의 동물 Re-ID 데이터셋 통합 제공 툴킷
  • GitHub: WildlifeDatasets/wildlife-datasets
  • 고양이, 소, 닭, 거북이, 고래, 표범 등 다양한 종의 데이터 포함

툴킷 및 라이브러리

이름 링크 용도
wildlife-tools GitHub MegaDescriptor 학습, 특징 추출, KNN 분류 통합 프레임워크
wildlife-datasets GitHub 동물 Re-ID 데이터셋 다운로드 및 전처리 지원
timm GitHub PyTorch 이미지 모델 라이브러리. MegaDescriptor 로드용
YOLOv8 (Ultralytics) GitHub 객체 탐지(Object Detection) 모델 구현체
ByteTrack GitHub 실시간 다중 객체 추적(Multi-Object Tracking) 알고리즘

wildlife-tools 기본 사용 예시

import timm
from wildlife_tools.features import DeepFeatures
from wildlife_tools.similarity import CosineSimilarity
from wildlife_tools.inference import KnnClassifier

# 특징 추출
extractor = DeepFeatures(timm.create_model('hf-hub:BVRA/MegaDescriptor-T-224', num_classes=0, pretrained=True))
query_features = extractor(query_dataset)
db_features = extractor(db_dataset)

# KNN 분류
similarity = CosineSimilarity()(query_features, db_features)
classifier = KnnClassifier(k=1, database_labels=db_dataset.labels_string)
predictions = classifier(similarity)

주요 개념 정리

개념 설명
Embedding 이미지를 고차원 특징 벡터로 변환한 값. 동일 개체는 가깝고 타 개체는 멀어지도록 매핑
Cosine Similarity 두 임베딩 벡터 간의 각도 유사도 측정값. Re-ID 매칭 및 비교 표준 메트릭
KNN (K-Nearest Neighbor) 입력 특징과 가장 가까운 K개의 갤러리 특징을 탐색하여 개체 판별 수행
Contrastive Loss Siamese Network 학습 시 사용. Positive 쌍은 가깝게, Negative 쌍은 멀어지도록 최적화
Triplet Loss Anchor, Positive, Negative 세 개체 쌍 기반 학습. 대조 손실 대비 안정적 수렴 제공
ArcFace Loss 각도 마진을 도입한 분류 손실 함수. 개체 간 경계 구분 능력이 우수하여 Re-ID에 널리 활용
Zero-shot 추가 학습 없이 사전학습된 모델 특징을 바로 분류에 사용하는 방식
Fine-tuning 사전학습 모델의 가중치 일부 또는 전체를 신규 데이터로 미세 조정 학습하는 기법
Few-shot fine-tuning 개체당 극소량(2~3장)의 이미지로 분류용 최종 프로젝션 레이어만 재학습하는 기법
x
left
right

C

Contents

© Copyright 2025 jhj