面向细粒度长尾植物分类的双边距嵌入

生态学家族、属和种的分类是生物多样性监测和保育的基石。现有计算机视觉方法通常分别处理细粒度识别和长尾学习问题。然而，实际部署中常存在时空域迁移、层次化分类结构以及先验未知类别等挑战，导致在开放世界条件下性能脆弱。我们提出TaxoNet，这是一种嵌入学习框架，采用理论依据的双边距目标，在类别不平衡条件下重塑类决策边界，以提高细粒度区分度并强化稀有类别表示几何。我们在捕捉共现识别挑战的开放世界环境中评估TaxoNet。基于谷歌Auto-Arborist（城市树木影像）、iNaturalist（跨异构生态系统的植物观测）和NAFlora-Mini（植物标本收藏）等多样化植物数据集，实验表明TaxoNet consistently优于强基线，包括多模态基础模型。