Pesquisadores apresentam um framework de adaptação CLIP eficiente em parâmetros para reidentificação animal de longo prazo que aborda os desafios impostos pela evolução morfológica gradual e mudanças sazonais na aparência. O método introduz um mecanismo de condicionamento contínuo de metadados que incorpora atributos numéricos diretamente na representação do prompt durante o treinamento, preservando sua estrutura em vez de discretizá-los.
- O framework combina adaptação visual de baixo posto, supervisão baseada em prompts e alinhamento multimodal para adaptar o CLIP a ambientes ecológicos.
- O condicionamento contínuo de metadados permite modulação suave do espaço de embedding enquanto mantém um pipeline de inferência puramente visual no momento do teste.
- Experimentos em um conjunto de dados longitudinal de peixes de sete anos e múltiplos benchmarks de vida selvagem mostram desempenho melhorado sob protocolos de avaliação de conjunto fechado, conjunto aberto e conscientes do tempo.
A abordagem melhora a robustez à variação de aparência longitudinal e deslocamentos de distribuição temporal sem exigir metadados durante a inferência.