自动昆虫监测的机器学习流程
自动相机协助监测昆虫数量是理解和对抗昆虫减少的关键，本文介绍了两个在中欧拍摄的夜间昆虫数据集，强调了特别是鳞翅目的飞蛾。研究利用这些数据集开发和评估了一个昆虫检测和飞蛾种类分类的工具，并且提出了一个用于自动化视觉监测的原型系统。该论文同时为这些数据集提供了第一批检测和分类的基线，并鼓励其他科学家使用这些公开可用的数据。
Jul, 2023
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
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
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
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
本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。
Oct, 2019
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
本文介绍了一种通过利用深度学习技术实现鸟类在野外自动监测的方法，基于摄像机捕捉数据，使用 Faster-RCNN 架构实时分类图像，并通过 GPU 进一步处理数据，从而有效地减少了手动观测的需要，并取得了较为显著的监测鸟类的准确率
May, 2023