面向计算机视觉驱动的生物多样性标本分类学识别与特征提取的最优图像捕获
计算机视觉与模式识别
2025-09-05 v2 图像与视频处理
定量方法
摘要
1）生物标本集合储存了数百万标本，数字图像正通过开放平台日益获取。然而，大多数成像协议是为人类解读开发的，而不考虑自动化分析需求。随着计算机视觉应用在标本分类学识别与特征提取方面的革命性发展，当前数字化实践与计算分析需求之间存在关键鸿沟。本综述提供了首个针对计算机视觉应用优化生物标本成像的全面实用框架。2）通过生物学家、标本管理人员、生态学家与计算机科学家之间的跨学科合作，我们综合了证据，制定了针对计算机视觉概念及实际成像考量的可操作建议。我们提供即时可操作的实施指导，同时识别需要社区标准制定的关键领域。3）本框架涵盖优化面向计算机视觉驱动的标本分类学识别与特征提取的十个相互关联的考虑因素。我们将其转化为实用的实施检查清单、设备选择指南以及社区标准制定路线图，包括文件命名规范、像素密度要求及跨机构协议。4）通过桥接生物学与计算学科，本方法解锁了针对数百万既有标本的自动化分析潜力，并指导未来数字化努力实现前所未有的分析能力。
引用
@article{arxiv.2505.17317,
title = {Optimizing Image Capture for Computer Vision-Powered Taxonomic Identification and Trait Recognition of Biodiversity Specimens},
author = {Alyson East and Elizabeth G. Campolongo and Luke Meyers and S M Rayeed and Samuel Stevens and Iuliia Zarubiieva and Isadora E. Fluck and Jennifer C. Girón and Maximiliane Jousse and Scott Lowe and Kayla I Perry and Isabelle Betancourt and Noah Charney and Evan Donoso and Nathan Fox and Kim J. Landsbergen and Ekaterina Nepovinnykh and Michelle Ramirez and Parkash Singh and Khum Thapa-Magar and Matthew Thompson and Evan Waite and Tanya Berger-Wolf and Hilmar Lapp and Paula Mabee and Charles Stewart and Graham Taylor and Sydne Record},
journal= {arXiv preprint arXiv:2505.17317},
year = {2025}
}