BeetleVerse：地面甲虫的分类学分类研究

地面甲虫是高度敏感且种类丰富的生物指示物种，对于监测生物多样性至关重要。然而，由于需要依赖物种专家通过基于细微形态差异进行艰难的种类区分，这些甲虫目前被低估为资源，限制了其广泛应用。本文我们在四个多样化、长尾数据集上评估了 12 种视觉模型进行分类学分类，数据集涵盖 230 多个属和 1769 个种，图像范围从受控实验室环境到具有挑战性的野外采集（in-situ）照片。我们进一步探讨了两个重要现实情境中的分类学分类：样本效率和域适应。我们的结果表明，结合 MLP 头的视觉和语言 Transformer 是表现最佳的模型，在属水平达 97% 准确率，在种水平达 94% 准确率。样本效率分析显示，在性能几乎不受影响的情况下，可将训练数据要求降低最高 50%。域适应实验揭示了从实验室图像转移到野外图像时模型面临的显著挑战，突显了关键域间差距。总体而言，我们的研究为大规模自动甲虫分类学分类，以及进一步发展样本高效学习和跨域适应 diverse long-tailed 生态数据集提供了基础。