2025_NIPS_A Step Towards Worldwide Biodiversity Assessment: The BIOSCAN-1M Insect Dataset

BIOSCAN-1M昆虫数据集相关总结与翻译

一、文章主要内容

本文围绕全球生物多样性评估需求，推出了BIOSCAN-1M昆虫数据集，并基于该数据集开展分类实验与相关分析，核心内容如下：

1. 数据集构建背景：全球生态系统受气候变化影响，生物多样性追踪迫在眉睫，但传统分类方法依赖专家且效率低下，DNA条形码技术虽提供新路径，仍需结合人工智能实现规模化分类。在此背景下，国际生命条形码联盟（iBOL）主导的BIOSCAN项目推出该数据集，助力全球生物多样性调查。
2. 数据集核心信息：
   • 包含约112.8万张高质量昆虫显微镜图像，涵盖16个主要目、491个科等分类层级，每张图像均有专家标注的分类学信息。
   • 配套遗传数据，包括原始核苷酸条形码序列和条形码索引编号（BIN），BIN作为物种的遗传替代标识，共90,918个独特BIN。
   • 数据存在长尾分布的类别不平衡问题，且分类标签遵循层级结构（界-门-纲-目-科-属-种等），部分精细分类层级（如物种级）标注样本占比低（仅7.5%）。
3. 数据预处理与实验设计：
   • 开发基于DETR模型的裁剪工具处理图像，去除冗余背景，提升模型训练效率；将图像调整为256像素（短边）以优化存储与计算。
   • 构建Small（5万样本）、Medium（20万样本）、Large（100万+样本）三个子集，分别开展目级（16类）和双翅目科级