一种基于RT-DETRv2的两阶段、考虑OOD（One-Class Detection，单类检测）的蚊子种类检测方法

《Scientific Reports》：A two-stage OOD-aware approach for mosquito species detection based on RT-DETRv2

　　

摘要

蚊子是传染病的重要传播媒介，准确的物种鉴定对于有效的监测和控制至关重要。传统的基于图像的鉴定方法耗时费力，而现有的深度学习模型在现实世界环境中往往因对离分布（OOD）样本的敏感性而表现较差，泛化能力有限。为解决这些问题，本研究整合了多个公开可用的数据源，构建了一个真实的蚊子数据集，包含33个预定义物种的11,514张原始图片。为缓解类别不平衡问题，对训练集进行了数据增强处理，使得训练和评估用的图片总数达到17,302张。此外，还构建了两个ODD（Out-of-Distribution）数据集：一个非目标蚊子数据集和一个非库蚊科（Culicidae）昆虫数据集。通过对主流目标检测模型进行全面比较，选择了基于PResNet-101架构的RT-DETRv2作为基线检测器。在此基础上，提出了一种两阶段ODD感知方法MosquitoID，该方法结合了马氏距离（Mahalanobis distance）和能量评分（Energy-based scoring）机制。第一阶段利用马氏距离进行图像级别的ODD过滤，第二阶段基于能量评分进行样本级别的ODD识别。在从识别验证集确定的固定阈值下（保留95%的识别样本），实验结果显示，该方法在目标数据集上的精确度（Precision）为92.0%，召回率（Recall）为93.8%，mAP50为90.4%，mAP50:95为84.1%。在ODD检测方面，MosquitoID在两个ODD数据集上的AUROC值分别为0.914和0.935，相应的FPR@95TPR值分别为0.205和0.156，F1分数分别为83.7%和90.8%。这些结果表明，所提出的方法提高了对未知样本的鲁棒性，为现实世界监测场景中的蚊子检测提供了一种实用的方法。