野外昆虫识别：AMI 数据集

昆虫占全球生物多样性总数的一半，但许多世界范围的昆虫正在消失，这对生态系统和农业构成严重威胁。尽管面临这一危机，关于昆虫生物多样性和丰度的数据仍严重不足，这源于专家稀缺以及缺乏可扩展的监测工具。生态学家开始采用相机陷阱来记录和研究昆虫，并提出计算机视觉算法作为可扩展数据处理的答案。然而，野外昆虫监测提出了尚未在计算机视觉领域解决的独特挑战，包括长尾数据、极其相似的类别以及显著的分布迁移。我们提供了第一个面向细粒度昆虫识别的大规模机器学习基准，旨在匹配生态学家在野外所面临的实际任务。我们的贡献包括来自公民科学平台和博物馆的精选图像数据集，以及来自自动化相机陷阱 across 多个大陆的专家标注数据集，旨在测试野外条件下的 out-of-distribution 概念泛化。我们训练和评估了多种基线算法，并引入数据增强技术组合，以提高跨地理区域和硬件环境的泛化能力。