编辑推荐：
昆虫细粒度图像分类面临挑战，研究人员提出 UB-Former 模型。该模型通过多模块协作，在 Insecta 和 IP102 等数据集上取得优异成绩，还在其他物种数据集表现出色，为昆虫及其他细粒度图像分类提供有效方案。
在神奇的自然界中，昆虫家族可谓是最为庞大且多样的存在。它们形态各异、习性不同，在生态系统中扮演着极其重要的角色。然而，要想准确区分不同种类的昆虫，尤其是那些外观极为相似的昆虫，可不是一件容易的事。传统的昆虫分类方法主要依赖专家凭借丰富经验和专业知识，在特定区域采集图像并借助各种资料进行鉴别，但这种方式不仅耗费大量的人力、物力和时间，而且对于小规模、非专业的场景来说，成本过高，难以实现。
随着计算机技术的飞速发展，计算机视觉技术逐渐成为昆虫分类研究的新希望。在众多的计算机视觉技术中，卷积神经网络（CNN）和视觉 Transformer（ViT）备受关注。CNN 擅长捕捉图像的局部特征，能聚焦于图像中具有区分度的局部区域，但输入的往往包含背景等混合部分；ViT 则能通过多头自注意力机制捕捉图像的全局特征，可计算复杂度较高，对局部结构的感知相对较弱。对于昆虫细粒度图像分类而言，这两种技术都有各自的优缺点，无法完美解决实际问题。一方面，昆虫个体通常较小，在复杂背景下定位困难，难以将其从背景中准确分离出来；另一方面，同一昆虫在不同生命阶段外观差异巨大，现有的方法很难学习到具有区分度的类别特征表示。
为了攻克这些难题，来自未知研究机构的研究人员展开了深入研究，并提出了一种全新的模型 ——UB-Former（利用生物形态特征的细粒度分类模型）。这项研究成果发表在《Computational Biology and Chemistry》上，为昆虫细粒度图像分类领域带来了新的突破。
研究人员在开展这项研究时，运用了几个关键技术方法。首先，利用基于 U2Net 的显著目标检测模型来提取精确的昆虫区域，有效减少背景干扰；其次，采用双渠道特征提取策略，将原始分割图像和轮廓纹理图像分别进行处理；最后，通过多图像特征比较方法（MIFC）进行跨域学习，捕捉不同生命阶段个体的共享特征 。
实验设置
研究人员将 UB-Former 与多个主流模型在两个昆虫细粒度图像分类公共数据集（Insecta 和 IP102）以及一个其他细粒度图像分类公共数据集（CUB200 - 2011）上进行对比实验。通过详细的实验设置，全面评估 UB-Former 的性能。
实验结果
- 分类准确率：UB-Former 在 Insecta 数据集上达到了 61.1% 的准确率，在 IP102 数据集上准确率为 53.2%，这一成绩超越了其他主流模型，达到了当前的最优水平。同时，在 CUB200 - 2011、Stanford Cars 和 Stanford Dogs 等其他物种的细粒度图像分类数据集上，UB-Former 也分别取得了 92.0%、95.0% 和 92.2% 的准确率，充分证明了该模型在不同领域的有效性。
- 消融分析和可视化结果：通过消融分析，研究人员验证了 UB-Former 各个模块的重要性。可视化结果则直观展示了模型的工作过程，进一步证明了 UB-Former 的可解释性和有效性。
研究结论与讨论
UB-Former 的提出，成功解决了昆虫细粒度图像分类中的关键问题。该模型通过目标感知分割（基于 U2Net 减少背景干扰）、生物形态特征融合（双渠道结合轮廓纹理和全局形态特征）以及生命阶段不变性（MIFC 模块学习不同生命阶段的共享特征）这三大创新点，实现了对昆虫图像的精准分类。不仅在昆虫图像分类场景中表现卓越，在其他非昆虫数据集上也展现出良好的迁移能力。
这项研究成果意义重大。它为昆虫分类研究提供了一种高效、低成本的方法，降低了对专业人员的依赖，使得昆虫分类工作能够更加广泛地开展。同时，也为计算机视觉技术在生物分类领域的应用开辟了新的思路，推动了相关学科的交叉融合。未来，随着技术的不断发展和研究的深入，UB-Former 有望在更多领域得到应用和优化，为生物多样性研究、生态环境监测等提供更有力的支持。
