先进的视觉变换器与开放集学习用于稳健的蚊子分类:一种昆虫学研究的创新方法

蚊子相关疾病对全球公共卫生构成严重威胁,因此需要高效、准确的蚊子分类以进行有效的监测和控制。本研究提出了一种创新的蚊子分类方法,利用最先进的视觉变换器和开放集学习技术。我们引入了一个新颖框架,该框架将基于变换器的深度学习模型与全面的数据增强和预处理方法相结合,能够稳健且精确地识别十种蚊子。其中,Swin Transformer 模型在传统的闭集学习中取得了最佳性能,准确率达到 99.80%,F1 分数为 0.998。轻量级的 MobileViT 技术以显著减少的参数和模型复杂度,达到了 98.90% 的相近准确率。此外,通过在推理阶段引入训练集中未包含的新类别数据样本,增强了所应用深度学习模型在静态环境中的适应性和泛化能力。所提出的框架通过开放集学习,能够处理类似蚊子的昆虫甚至人类等未见类别,这得益于 OpenMax 技术和 Weibull 分布的应用。在开放集学习方面,传统的 CNN 模型 Xception 以更高的准确率和 F1 分数优于最新的变换器。研究结果凸显了先进深度学习架构在昆虫学中的变革潜力,为未来蚊子监测和病媒控制的研究奠定了坚实基础。本工作的意义不仅限于蚊子分类,还为更广泛的生态和环境监测应用提供了宝贵的见解。