农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失，需要及时采取预防措施，而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调，注意力机制和自定义架构等不同方法进行了广泛的实验，并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。

Oct, 2023

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

通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

Jun, 2024

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

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

提供了一个深度学习方法的昆虫监测系统，通过定位和分类识别图像中的蛾子个体来改善物种识别准确率。

Jul, 2023

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

使用深度学习模型检测蚜虫簇集，我们提出了一种新的方法来估计感染水平。通过对多麦科田野捕捉的 5,447 张图像中的蚜虫集群进行手动选择并进行注释，我们构建了一个庞大的数据集。然后，我们在该数据集上实施和比较了四种最先进的目标检测模型（VFNet、GFLV2、PAA 和 ATSS）的性能。结果表明，所有模型在平均精度和召回率方面都表现出稳定的相似性能。我们进一步提出合并紧邻簇集和去除由裁剪引起的小簇集的方法，使性能进一步提升约 17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并将该标注数据集公开提供给研究界。

Aug, 2023

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

通过整合状态空间模型（SSMs）、卷积神经网络（CNNs）、多头自注意机制（MSA）和多层感知机（MLPs）在 Mix-SSM 块中的方法，我们引入了 InsectMamba，这个创新方法促进了对综合视觉特征的提取，以及利用选择性模块，增强了识别害虫特征的能力。对 InsectMamba 在五个昆虫害虫分类数据集上的评估结果表明其性能优异，并通过消融研究验证了每个模型组件的重要性。

Apr, 2024