野外西部蓝知更鸟检测基准

由于某些鸟类相对于场景的体型较小、背景杂乱、照明的变化以及观察者的视角，自然环境中的鸟类监测具有挑战性。大规模、现实的数据集的缺乏进一步限制了进展，而这些数据集对于理解行为模式至关重要。为了解决这一差距，我们引入了一个新的基准数据集，用于检测和分割西部蓝知更鸟 (Sialia Mexicana)，其中包含来自 41 个记录会话的 6,000 多个标记图像。该数据集具有高分辨率 (4K) 野外图像，其中鸟类仅占据图像的一小部分。我们评估了监督检测器、零样本和微调设置下的开放词汇模型以及分割方法。总体而言，受监督检测器仍然是最可靠的，Faster R-CNN 实现了最高的检测 mAP，RT-DETR 提供了最佳的 精度-召回率 权衡。开放词汇模型在零样本设置中表现不佳；然而，微调大大提高了它们的性能，YOLO-World 与监督方法相比具有竞争力，并实现了最高的 精度、F1 分数和 mAP@0.5。对于分割，监督方法显着优于 Grounded-SAM 和 SAM 3：Mask R-CNN 实现了最高的 mask mAP，而 YOLOv8-Seg 提供了最佳的 精度 和最快的推理。诊断分析进一步表明，故障不仅仅可以通过物体大小来解释，还可以通过表观尺度、亮度、对比度、杂乱、模糊、拥挤和记录会话变化的组合来解释。总的来说，我们的研究结果强调了在杂乱的生态场景中进行零样本鸟类检测的难度，并强调了小目标环境中域适应的重要性。