CzechLynx: набор данных для идентификации отдельных особей и оценки позы рыси европейской

Почему это важно для охраны природы и технологий

Рысь европейская — один из самых скрытных крупных кошачьих в Европе, который обитает на обширных лесных территориях при очень низкой плотности популяции. Отслеживание числа рысей, их перемещений и динамики популяций со временем имеет решающее значение для охраны, но вручную сортировать сотни тысяч снимков с фотоловушек медленно и чревато ошибками. В этой статье представлен CzechLynx, большой и открытый набор изображений рысей, предназначенный не только для биологов, но и для специалистов по обработке изображений. Связывая мониторинг дикой природы с современным искусственным интеллектом, набор данных призван существенно упростить защиту этих уклончивых хищников.

Длительное наблюдение за робкими кошками в диких лесах

CzechLynx объединяет 39 760 фотографий рысей европейских, собранных более чем за 15 лет с фотоловушек в двух регионах Центральной Европы: на юго‑западе Богемии и в Западных Карпатах. Это суровые, в основном лесистые территории, где рыси живут при очень низкой плотности и могут перемещаться на сотни квадратных километров. Группы по охране природы и администрации парков устанавливали камеры вдоль лесных дорог, по звериным тропам и на местах меток запаха, часто используя систематические сетки для обеспечения широкого охвата. Каждое изображение в наборе прошло тщательную проверку: пустые кадры и снимки с людьми или транспортом были удалены, затем команды экспертов использовали уникальные рисунки шерсти рысей, чтобы подтвердить, какая именно особь запечатлена на каждом фото.

Очистка, отбор и разметка изображений

Многие камеры записывали короткие видеоклипы, а не отдельные снимки, что могло дать огромное количество почти одинаковых кадров. Чтобы набор данных был управляемым и информативным, авторы применили автоматический детектор, чтобы найти кадры с четко видимым животным, затем выбрали не более трех представительских изображений из каждой встречи. Отобранные кадры предпочитают полнотелые боковые ракурсы, где видны пятнистые рисунки и животное находится достаточно близко для различения мелких деталей. Затем люди‑аннотаторы добавили несколько уровней информации: точные контуры тела каждой рыси, набор до 20 ключевых точек, отмечающих суставы и особенности лица, а также описательные теги, например, какая сторона животного видна. Полуавтоматические инструменты — современные модели сегментации и оценки позы — использовались для предварительной разметки, которую затем проверяли и уточняли люди.

Создание цифрового двойника рыси

Реальные данные с фотоловушек, хотя и богаты, имеют ограничения: редкие позы, необычное освещение и некоторые рисунки шерсти просто не встречаются достаточно часто, чтобы полноценно обучать и тестировать продвинутые алгоритмы. Чтобы заполнить эти пробелы, команда создала синтетический аналог реальных изображений. С помощью игрового движка Unity они помещали детализированную 3D‑модель рыси в фотореалистичные виртуальные лесные сцены, вдохновленные реальными местами установки фотоловушек. Виртуальное животное следовало по траекториям в этих сценах, останавливалось в случайных точках и наблюдалось под разными углами камер при различном освещении и погодных условиях. Чтобы смоделировать множество различных особей, исследователи сгенерировали сотни различных текстур шерсти с использованием метода синтеза изображений, управляемого текстом, создавая широкий диапазон естественно выглядящих пятнистых и полосатых рисунков. Каждый срендеренный кадр автоматически снабжался точными данными о контуре рыси, скелете и её идентичности.

Тестирование компьютерного зрения в реальных условиях

Набор данных организован вокруг трех ключевых задач: различение отдельных рысей, оценка их позы и отделение их от фона. Единая, согласованная таблица метаданных связывает каждое изображение с идентичностью, временем и местом, ракурсом и задачево‑специфическими разбиениями. Чтобы смоделировать реальные задачи охраны природы, авторы определили несколько схем оценки. В «геоопределенном» варианте модели обучаются на одном регионе и тестируются в другом, что проверяет, как хорошо они переносятся на новые ландшафты. В «временных» вариантах тренировочные и тестовые изображения разделены по сезонам и годам, так что алгоритмы должны справляться со старением животных, изменением внешности или появлением новых особей. Эти тщательно продуманные разбиения помогают избежать тонких утечек данных и предлагают жесткий, реалистичный эталон для будущих методов.

Что это значит для спасения рысей

В своей основе CzechLynx превращает годы кропотливой полевой работы в общий ресурс для широкого исследовательского сообщества. Сочетая экспертно проверенные реальные фотографии с правдоподобными синтетическими изображениями и детальной аннотацией, набор данных предоставляет системам компьютерного зрения всё необходимое, чтобы научиться обнаруживать, отслеживать и распознавать отдельных рысей на протяжении долгих периодов и в отдаленных регионах. Для специалистов по охране природы более надежные автоматизированные инструменты могут означать более быстрые обновления по размеру популяции, выживаемости и перемещениям — все это жизненно важно для раннего выявления проблем, целенаправленной защиты и поддержки долгосрочного восстановления одного из знаковых диких кошачьих Европы.

Цитирование: Picek, L., Straka, J., Jirik, M. et al. CzechLynx: A Dataset for Individual Identification and Pose Estimation of the Eurasian Lynx. Sci Data 13, 511 (2026). https://doi.org/10.1038/s41597-026-06853-9

Ключевые слова: рысь европейская, фотоловушки, мониторинг дикой природы, компьютерное зрение, синтетические данные