野生動物の再識別（re-ID）は、動物の生態学や保全に多様な用途をもつ強力な手法である。現在の自動化手法は、典型的には動物の単一の体部位の単一画像に対して動作する。しかし、1回の遭遇には異なる体領域を捉えた複数の画像が含まれる場合があり、それぞれが相補的な個体固有情報を提供する。一方で自動化とは対照的に、研究者は可視性、遮蔽、画像品質といった要因に基づいて、同定に最も適した画像と領域を手作業で選択することが多い。これにより、現在の自動化re-IDパイプラインと現場実践との間に不整合が生じ、既存の自動化re-IDの実用的な普及が制約されている。ここでは、モデル分類群としてウミガメを用い、遭遇ベースのマルチ体部位re-ID枠組みを導入することでこの点に対処する。提案枠組みは次の3要素を組み合わせる。（1）全身に加えて遭遇内の画像から頭部、前肢フリッパー、後肢フリッパーといった主要体部位を自動的に分割する、方位認識型の深層学習モデルTurtleDetector。（2）高速なグローバル特徴モデル（MiewIDまたはDINOv3）と、より高精度だが計算コストの高いローカル特徴モデル（ALIKED with LightGlue）を、逐次的に組み合わせるハイブリッドな体部位特化型検索手法。（3）遭遇内で利用可能な全ての体部位および画像について、校正された類似度スコアのうち最大値を選択する、統合アイデンティティ予測戦略。3種、すなわちタイマイ、アオウミガメ、アカウミガメにまたがる3つの長期re-IDデータセットで、現実の時間を考慮したre-IDワークフローを模した評価プロトコルのもとで枠組みを評価する。全データセットにおいて、複数の体領域を組み合わせることは、最良の単一体領域を上回って一貫して識別性能を改善し、その結果としてトップ1精度が4〜6%向上した。興味深いことに、ウミガメのre-IDで従来あまり使われてこなかった体領域、例えば後肢フリッパーや甲羅は、ハイブリッド検索手法を通じて統合することで、遭遇レベルのre-IDを改善する相補的な識別情報を提供した。これらの結果は、自動化された野生動物再識別が、単一画像・単一体部位での識別から、遭遇レベルで利用可能な全ての視覚証拠を統合する方向へ拡張することで恩恵を受けうることを示している。さらに本研究は、可能な場合には、現場での写真撮影プロトコルが、各遭遇において個体の複数の有益な視点を捉えることを目指すべきであることを示唆する。重要なのは、象、霊長類、鯨類を含む多くの種や分類群が、複数の体部位にまたがって個体固有の特徴を持っていることであり、本枠組みの適用可能性が広いことを強調している。
https://doi.org/10.64898/2026.08.28.747856