BioAutoML-NAS：基于神经网络架构搜索的多模态昆虫分类自动ML框架
计算机视觉与模式识别
2025-10-08 v1
摘要
昆虫分类对于农业管理和生态研究至关重要，因为它直接影响作物健康和产量。然而，这一任务因昆虫的复杂特征、类别不平衡以及大规模数据集而仍具有挑战性。为解决这些问题，我们提出了BioAutoML-NAS，即首个采用多模态数据的BioAutoML模型，包括图像和元数据，该模型对图像应用神经网络架构搜索（NAS），自动学习每个细胞内每个连接的最佳操作。将多个细胞堆叠以形成完整网络，每个网络从提取详细图像特征表示。多模态融合模块将图像嵌入与元数据结合，使模型能够同时利用视觉和类别生物学信息进行昆虫分类。采用交替双层优化训练策略，联合更新网络权重和架构参数，同时通过零操作删除不重要的连接，产生稀疏、高效且性能优异的网络结构。在BIOSCAN-5M数据集上的广泛评估表明，BioAutoML-NAS实现了96.81%的准确率、97.46%的精确率、96.81%的召回率和97.05%的F1分数，显著优于当前最先进的迁移学习、变换器、AutoML和NAS方法，分别提升约16%、10%和8%。在Insects-1M数据集上的进一步验证获得了93.25%的准确率、93.71%的精确率、92.74%的召回率和93.22%的F1分数。这些结果表明，BioAutoML-NAS提供了准确、可靠的昆虫分类，支持现代可持续农业。
引用
@article{arxiv.2510.05888,
title = {BioAutoML-NAS: An End-to-End AutoML Framework for Multimodal Insect Classification via Neural Architecture Search on Large-Scale Biodiversity Data},
author = {Arefin Ittesafun Abian and Debopom Sutradhar and Md Rafi Ur Rashid and Reem E. Mohamed and Md Rafiqul Islam and Asif Karim and Kheng Cher Yeo and Sami Azam},
journal= {arXiv preprint arXiv:2510.05888},
year = {2025}
}