May, 2023

以图像背景评估为新技术进行昆虫微生境识别

PDF
TL;DR通过对 ALA 数据库中昆虫图像的背景分析，使用计算机视觉和机器学习工具将图像背景分类为自然或人为微观环境，以研究由于人类活动导致的自然生境改变对蜜蜂、黄蜂和蝇这三种昆虫种类的影响，结果表明，这些昆虫适应了城市人为微生态环境，而管理这些入侵性昆虫需要谨慎地限制它们接触人类提供的资源。
climate changeinsectsmicrohabitatsmachine learningurbanization
发现论文，激发创造
  • 野外昆虫识别：AMI 数据集

    昆虫多样性丧失影响生态系统和农业，对昆虫研究提出了大规模机器学习和数据增强等解决方案。

    Jun, 2024

  • 深度学习实时识别公民科学数据中的昆虫

    提出一种深度学习模型 InsectNet，以应对昆虫识别在实际环境下的挑战，并能准确识别超过 2500 种节肢动物物种，包括有害害虫、寄生虫、食草动物和掠食动物，并可指导公民科学数据收集。

    Jun, 2023

  • 自动昆虫监测的机器学习流程

    通过相机陷阱监测昆虫，包括目标检测、飞蛾和非飞蛾的分类、详细识别昆虫物种和个体跟踪，为昆虫学提供了可扩展的数据采集工具。

    Jun, 2024

  • 面向生物多样性的机器学习方法：一种新颖的野生蜜蜂数据集和用于机器学习辅助稀有物种注释的可解释性人工智能方法评估

    通过建立一份昆虫图像数据集，并训练一个能够对其进行分类的模型，并针对昆虫图像数据集的独特性，研究了可解释的人工智能（XAI）方法来协助昆虫学家进行数据注释，该方法在分类准确性和鲁棒性方面获得良好结果。

    Jun, 2022

  • 利用栖息地信息进行细粒度鸟类识别

    将鸟类分类器与栖息地信息集成，通过卷积神经网络（CNNs）、视觉注意力机制（ViTs）和多模态 CLIP 模型对鸟类数据集进行训练，通过整合栖息地特征改进分类器准确度。

    Dec, 2023

  • 昆虫基础：用于视觉昆虫理解的基础模型和大规模百万级数据集

    通过引入一种名为 “Insect-1M” 的新型数据集，本研究旨在为虫类相关的基础模型训练提供资源，并通过微特征自监督学习方法和相关注意机制来提高昆虫图像建模效果，通过介绍一种描述一致性损失来改善微特征建模，从而在昆虫相关任务的标准基准上实现了最先进的性能，为下一代虫类相关视觉模型赋能，将其功能更接近于精准农业的终极目标。

    Nov, 2023

  • 抗对抗攻击的面部识别的人工免疫系统

    昆虫生产以及有关的选择性繁殖、繁殖目标、遗传参数和遗传多样性的综述。

    Jun, 2024

  • 多传感器数据融合用于自动化昆虫监测 (KInsecta)

    通过多传感器、基于人工智能的数据融合方法，本文提出了一种低成本配置的昆虫分类系统，可用于系统性监测昆虫种群、支持生物多样性与农业研究。

    Apr, 2024

  • 基于运动信息的时间 - lapse 相机录像中小昆虫的目标检测

    本文介绍了一个基于运动信息增量的方法管道，用于在大型、彩色、时间间隔的野外图像数据集中检测昆虫，该方法提高了两个卷积神经网络（YOLO，Faster R-CNN）的检测效率，并发布了一个包含 100,000 个标注昆虫图像的图像数据集。

    Dec, 2022

  • 昆虫分类的低成本机器视觉

    在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

    Apr, 2024