L'IA face aux grands problèmes du monde · Sciences du vivant · Nature (computational biology) · 2026-10-20
Combler l'écart de déploiement dans la surveillance automatisée des papillons de nuit grâce aux modèles de fondation pour la biodiversité
Titre original: Bridging the deployment gap in automated moth monitoring through biodiversity foundation models
Les modèles de reconnaissance d'espèces pour la surveillance automatisée de la biodiversité sont généralement entraînés sur de vastes référentiels d'images de science participative, créant un écart de domaine avec les images du déploiement sur le terrain. Les auteurs ont construit un classifieur de papillons de nuit à granularité fine à partir d'environ 363 000 images de science participative couvrant 2 727 espèces, et ont optimisé le pipeline d'apprentissage par transfert grâce à des représentations pré-entraînées spécifiques à la biodiversité (BioCLIP2.5), à une adaptation économe en paramètres et à l'augmentation des données. Le pipeline a atteint une précision Top-1 de 85.0% sur un système de surveillance commercial et de 89.5% sur un dispositif embarqué à faible coût, portant les performances sur le terrain de 38.9% à 69.7% et de 62.3% à 82.3%, respectivement.