연구자들은 장기적인 동물 재식별을 위한 파라미터 효율적인 CLIP 적응 프레임워크를 제시했습니다. 이 방법은 점진적인 형태학적 진화와 계절적 외관 변화가 가져오는 도전에 대응합니다. 이 방법은 훈련 중 프롬프트 표현에 수치 속성을 직접 통합하는 연속 메타데이터 조건화 메커니즘을 도입하여, 이를 이산화하는 대신 구조를 보존합니다.
- 이 프레임워크는 저랭크 시각 적응, 프롬프트 기반 감독 및 크로스모달 정렬을 결합하여 생태학적 설정에 CLIP를 적응시킵니다.
- 연속 메타데이터 조건화는 테스트 시간 동안 순수한 시각적 추론 파이프라인을 유지하면서 임베딩 공간의 부드러운 조절을 가능하게 합니다.
- 7년 간의 종단적 물고기 데이터셋과 여러 야생동물 벤치마크에 대한 실험은 폐집합, 개방집합 및 시간 인식 평가 프로토콜 하에서 향상된 성능을 보여주었습니다.
이 접근 방식은 추론 시 메타데이터를 필요로 하지 않으면서도 종단적 외관 변화와 시간적 분포 변화에 대한 견고성을 개선합니다.