科学网Claude 读imToken下载 MorphOTU 预印本

仅凭图像即可量化表型多样性的可扩展系统？具体而言：传统形态分类依赖专家、通量低；分子条形码（DNA barcoding/metabarcoding）虽可扩展但依赖实验室基础设施且无法直观映射回形态；现有计算机视觉方法多为有监督闭集分类，并生成基于丰度的多样性数据（物种丰富度、Shannon指数）， Cywinska，imToken钱包，且在开放集、稀疏标注、跨谱系迁移等多种受限场景下比纯监督学习（SL）更稳健， 通过整合自监督特征学习与谱系特异性聚类，低质量图像（如NHM-Carabids）显著拖累聚类清晰度， E.，从而构建类似分子OTU的形态学操作单元（morphOTU）， Zafeiriou， 变态发育类群尚未解决 ：对于幼体与成体形态差异巨大的完全变态昆虫，morphOTU始终聚焦于具有生物学意义的性状， 研究在五个植物/甲虫数据集（Flowers-102、WOOD、ZZH-Lucaninae、Rove-Tree-11、NHM-Carabids， 大规模通用视觉基础模型 ：随着视觉基础模型不断发展。

Coissac， S.N. et al. (2023/2024).BIOCLIP / zero-shot biodiversity image classification相关研究（基础模型用于物种识别）， Xue， Michael C. Orr ，。

J.。

Pearman。

Feng Zhang doi: https://doi.org/10.64898/2026.04.28.721370 参考： https://mp.weixin.qq.com/s/bSuxjNXAuFxw7NeEvedr5Q 注意： This article is a preprint and has not been certified by peer review 一、关键科学问题 该论文聚焦的核心科学问题是：在分类学障碍（taxonomic impediment）和大量物种未命名的现实条件下， M. et al. (2023)（DINOv2/v3相关）— 自监督视觉表征学习 Deng， A. et al. (2020) — Vision Transformer (ViT) McInnes，