Les chercheurs présentent un cadre d'adaptation de CLIP efficace en paramètres pour la réidentification animale à long terme qui répond aux défis posés par l'évolution morphologique progressive et les changements saisonniers d'apparence. La méthode introduit un mécanisme de conditionnement continu des métadonnées qui intègre directement les attributs numériques dans la représentation du prompt pendant l'entraînement, préservant leur structure plutôt que de les discrétiser.
- Le cadre combine l'adaptation visuelle à faible rang, la supervision basée sur les prompts et l'alignement inter-modal pour adapter CLIP aux contextes écologiques.
- Le conditionnement continu des métadonnées permet une modulation fluide de l'espace d'intégration tout en maintenant un pipeline d'inférence purement visuel au moment du test.
- Les expériences sur un ensemble de données longitudinal de poissons sur sept ans et plusieurs benchmarks de faune sauvage montrent une performance améliorée sous les protocoles d'évaluation à ensemble fermé, à ensemble ouvert et conscient du temps.
L'approche améliore la robustesse face aux variations d'apparence longitudinales et aux décalages de distribution temporelle sans nécessiter de métadonnées pendant l'inférence.