层状陷阱巢中蛛蜝巢室检测的高效方法：平衡标注 effort 与物种覆盖
计算机视觉与模式识别
2026-03-18 v1
摘要
监测空洞栖息的野生蜜蜂和蜘蛛的丰富性和保育状态至关重要。层状陷阱巢（Layer Trap Nest, LTN）正在成为研究这些昆虫丰度和物种丰富性的有力工具，为了解其巢穴活动和生态需求提供洞见。然而，手动评估LTN以检测和分类巢室是费时费力的。为此，我们提出一种基于深度学习的高效方法，用于LTN中巢室的检测和分类。LTN面临着巢室密集堆积导致的高标注 effort 挑战。此外，我们观察到类别分布存在显著不平衡，常见物种的出现次数远远超过稀有物种。对常见物种进行全面标注耗时且加剧数据不平衡，而部分标注会引入数据不完整，影响模型性能。为减少标注 effort 并缓解未标记数据影响，我们引入一种新颖的受约束假阳性损失（Constrained False Positive Loss, CFPL）策略。CFPL动态屏蔽来自未标记数据的预测，防止其干扰分类损失。我们在一季度收集的712幅LTN图像数据集上进行评估，覆盖28个细粒度类别，描述巢室的生态学分类学和状态。为最小化标注 effort，我们限制每个类别的训练集标签数上限为300。实验结果表明，深度学习可以有效用于LTN中的巢室检测。我们的CFPL方法进一步提升性能，在标注 effort 与模型准确率之间取得平衡，同时缓解了类别不平衡问题。
引用
@article{arxiv.2603.16652,
title = {Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage},
author = {Chenchang Liu and Felix Fornoff and Annika Grasreiner and Patrick Maeder and Henri Greil and Marco Seeland},
journal= {arXiv preprint arXiv:2603.16652},
year = {2026}
}