面向生物多样性的机器学习方法：一种新型野蜂数据集及用于机器学习辅助稀有物种标注的 XAI 方法评估
人工智能
2022-06-16 v1
摘要
昆虫是我们生态系统中至关重要的一部分。遗憾的是，在过去几十年中，其数量已令人担忧地下降。为了更好地理解这一过程并监测昆虫种群，深度学习或可提供了可行的解决方案。然而，鉴于其分类学的广度以及细粒度分析的典型困难（如类内差异大、类间差异小），昆虫分类仍是一项具有挑战性的任务。现有的基准数据集很少，这阻碍了更优 AI 模型的快速发展。然而，稀有物种训练数据的标注需要专家知识。可解释人工智能（XAI）可在此类标注任务中辅助生物学家，但选择最优 XAI 方法十分困难。我们针对这些研究挑战的贡献有三方面：1）一个从 iNaturalist 数据库采样的、经过精细标注的野蜂图像数据集；2）一个在野蜂数据集上训练的 ResNet 模型，其分类分数可与在其他细粒度数据集上训练的类似 SOTA 模型相媲美；3）一项关于 XAI 方法以支持生物学家标注任务的研究。
引用
@article{arxiv.2206.07497,
title = {Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations},
author = {Teodor Chiaburu and Felix Biessmann and Frank Hausser},
journal= {arXiv preprint arXiv:2206.07497},
year = {2022}
}
备注
6 pages, 7 figures, 1 table submitted to CVPR 2022 All the code and the link to the dataset can be found at https://github.com/TeodorChiaburu/beexplainable