本文介绍了一种综合方法，利用 MosquitoFusion 多类别数据集和先进的计算机视觉技术实现实时蚊虫检测，并通过预训练的 YOLOv8 模型和地理信息系统 (GIS) 的集成分析，提供了有关空间模式的宝贵见解。

Apr, 2024

设计、开发和测试了一种名为 MosquIoT 的创新系统，该系统基于传统的卵捕器，嵌入了物联网和微型机器学习技术，能够检测和量化埃及伊蚊的卵，并帮助实现从当前的反应性昆虫学监测模式到主动性和预测性数字模式的转变。

Jan, 2024

研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

Apr, 2023

本研究提出了一种基于人工智能的方法来对埃及伊蚊的神经尖峰进行分类，通过归一化、特征重要性和降维等预处理方法，结合卷积神经网络和额外的梯度提升树算法 (XGBoost) 来分类，该方法表现出优秀的性能，并在区分感染与未感染蚊子样本方面优于其他机器学习算法的性能，可以协助破解病原体和蚊子之间复杂的相互作用。

Dec, 2023

本研究开发了一种简单且廉价的三维昆虫监测算法，利用廉价相机和其他设备设计了一个深度误差调整算法，通过提供昆虫的详细三维可视化，该绘图算法有助于研究人员更有效地理解昆虫在其环境中的互动。

Jan, 2024

本研究介绍了视觉变换器在 Aedes 和 Culex 幼虫图像分类中的应用，并比较了两个 ViT 模型、两个 CNN 模型的效果，最终发现 ConvNeXT 对于蚊虫幼虫分类非常有效，未来的研究方向包括将 CNN 和 Transformer 架构相结合创建专门用于蚊虫幼虫分类的模型。

Sep, 2022

动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

Jun, 2024

本研究提出了一个新的数据集，其中包括野外和实验室的蚊子卵以及三个应用于该任务的神经网络（Faster R-CNN，Side-Aware Boundary Localization 和 FoveaBox）的测试结果，用于自动化计数蚊子卵的任务。

Mar, 2024

此研究探讨了卫星图像中的景观特征在感染病预测模型中的应用，通过采用卷积神经网络从卫星数据中提取并标记的景观特征，结合巴基斯坦的登革热病例数据与 SIR 疫情模型，发现卫星图像中的景观特征能够显著提高疾病爆发的预测能力，对主动和战略性的监测和控制计划非常重要。

Apr, 2019

这篇论文介绍了一款名为 mAedesID 的基于深度学习卷积神经网络的 Android 应用，用于识别传播登革热的病媒蚊 Aedes 种类，旨在帮助社区更好地控制蚊虫数量并减少病媒传播可能性。

May, 2023