BeetleFlow：用于甲虫图像处理的集成深度学习管道
计算机视觉与模式识别
2026-03-30 v2
摘要
在昆虫学和生态学研究中，生物学家经常需要收集大量昆虫，其中甲虫是最常见的物种。生物学家组织甲虫的常见做法是将其放在托盘上并拍摄每个托盘的照片。对于处理成千上万此类托盘的图像，拥有自动化管道来处理大规模数据以进行进一步研究非常重要。因此，我们开发了一个3阶段管道，用于检测每个托盘上所有甲虫，排序并裁剪每个甲虫的图像，并对裁剪后的甲虫进行形态学分割。对于检测，我们设计了一个迭代过程，利用基于转换器的开放词汇目标检测器和视觉语言模型。对于分割，我们手动标注了670张甲虫图像，并微调了两个基于转换器的分割模型模型，以实现对甲虫进行细粒度分割。该管道集成了多种深度学习方法，专为甲虫图像处理而设计，可以大大提高处理大规模甲虫数据的效率，从而加快生物学研究进展。
引用
@article{arxiv.2511.00255,
title = {BeetleFlow: An Integrative Deep Learning Pipeline for Beetle Image Processing},
author = {Fangxun Liu and S M Rayeed and Samuel Stevens and Alyson East and Cheng Hsuan Chiang and Colin Lee and Daniel Yi and Junke Yang and Tejas Naik and Ziyi Wang and Connor Kilrain and Elijah H Buckwalter and Jiacheng Hou and Saul Ibaven Bueno and Shuheng Wang and Xinyue Ma and Yifan Liu and Zhiyuan Tao and Ziheng Zhang and Eric Sokol and Michael Belitz and Sydne Record and Charles V. Stewart and Wei-Lun Chao},
journal= {arXiv preprint arXiv:2511.00255},
year = {2026}
}
备注
4 pages, NeurIPS 2025 Workshop Imageomics