面向证据感知的动物个体识别的反事实检索

动物个体的自动识别正从小规模、精心整理的研究走向共享基准和可复用的基础模型。这一进展具有价值，但现有评估仍未厘清匹配背后的证据，即较高的检索准确率并不能说明模型使用的是动物特征，还是与身份相关的捷径。为此，我们提出了 Counterfactual Foreground Retrieval（CFR），一种证据感知的评估协议。CFR 在不同视图下评估同一查询—图库任务：完整图像、仅前景和仅捷径。完整图像视图衡量标准检索性能；仅前景视图衡量由前景支持的检索性能；仅捷径视图则衡量能够从背景或轮廓中恢复多少身份信号。这将单一检索分数转化为证据概况：模型在原始图像上的表现如何，仅能看到动物时保留了多少性能，以及移除动物后仍能恢复多少身份信号。我们发布了覆盖 34 个数据集的约 50 万个掩码，以及用于掩码生成和 CFR 评估的代码。