超越现成模型：为处理图像数据的生态学家打造的轻量级且易用的机器学习流程
计算机视觉与模式识别
2026-01-23 v1 机器学习
摘要
我们引入了一个轻量级的实验流程，旨在降低在生态研究中应用机器学习（ML）方法进行图像分类的门槛。我们使生态学家能够独立地使用ML模型进行实验，从而超越现成的模型，并生成针对本地数据集、特定分类任务和目标变量量身定制的洞察。我们的工具结合了用于预处理、训练和评估的简单命令行界面，以及用于标注、错误分析和模型比较的图形界面。这种设计使生态学家能够构建并迭代紧凑的、任务特定的分类器，而无需高级的ML专业知识。作为概念验证，我们将该流程应用于对来自德国费尔登斯坦森林的3392张相机陷阱图像中的马鹿（Cervus elaphus）进行年龄和性别分类。使用包含由专家标记的单个鹿的4352张裁剪图像，我们训练并评估了多种骨干架构，并采用了广泛的参数和数据增强策略。我们表现最佳的模型在年龄分类上达到了90.77%的准确率，在性别分类上达到了96.15%的准确率。这些结果表明，即使在数据有限的情况下，也能实现可靠的种群统计分类，以解决狭窄、明确的生态问题。更广泛地说，该框架为生态学家提供了一个可访问的工具，用于开发针对特定研究问题量身定制的ML模型，为在野生动物监测和种群统计分析中更广泛地采用ML铺平了道路。
引用
@article{arxiv.2601.15813,
title = {Beyond Off-the-Shelf Models: A Lightweight and Accessible Machine Learning Pipeline for Ecologists Working with Image Data},
author = {Clare Chemery and Hendrik Edelhoff and Ludwig Bothmann},
journal= {arXiv preprint arXiv:2601.15813},
year = {2026}
}