本研究介绍了全球最大、最多样化的标本收藏数据集 Herbarium Half-Earth，旨在通过数字化技术协助自动识别和对分类进行研究，此数据集对于支持植物学研究具有非常重要的意义。

May, 2021

利用深度学习和 Faster R-CNN 检测数字化标本上的植物器官，有效地提取重要的生物信息。

Jul, 2020

该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取，取得了良好的分类和识别效果，将有望用于未来的分类学和自然历史收藏管理工具中。

Mar, 2018

为了扩大使用摄像机陷阱数据研究生物多样性的规模，作者提供了一个新的挑战数据集以测试基于深度学习的自动关键帧标记方法是否适用于恰当分类新的场景。

Apr, 2019

该研究提出了一种信息丰富的分类系统，用于描述可能的植物病害数据集，并提出了几个未来的方向，如创建挑战导向的数据集和在实际应用中部署深度学习，以实现良好的性能。此外，总结了已有的相关公共 RGB 图像数据集。

Dec, 2023

本文旨在探索计算机视觉方法用于大规模、早期检测植物疾病的可能性，并介绍了一个用于视觉植物疾病检测的数据集 PlantDoc，其中包括 2598 个来自 13 个植物物种、17 个疾病类别的数据点，学习 3 个模型来分类植物疾病，结果表明使用我们的数据集可以将分类精度提高 31％。

Nov, 2019

本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

Jul, 2018

本论文提出了 iNaturalist 物种分类和检测数据集，包括来自全球 5000 多种植物和动物的 859,000 张图片，其中包括视觉相似的物种以及具有各种图像质量和类不平衡性的图片。通过对数据集进行广泛的基准实验，本文的结果表明目前基于非集成方法的计算机视觉分类和检测模型只能达到 67% 的准确率，提出了面临的挑战和需要更多低阶学习关注的解决方案。

Jul, 2017

本文介绍了细粒度视觉分类在生物多样性和物种分析领域的挑战性应用，提出了适用于计算机视觉研究的两个具有 675 个高度相似类别的挑战性新数据集，并使用卷积神经网络（CNN）的局部特征呈现了首个结果。最后，我们提出了生物多样性研究中视觉分类领域的新挑战性研究方向清单。

Jul, 2015

介绍了一个大规模的半监督数据集 Species196，包含 196 个入侵物种的专家级标注图像和大量无标签图像，并提供四种实验设置以评估现有模型和算法在入侵物种分类中的性能。

Sep, 2023