[論文レビュー] Computer vision-based estimation of invertebrate biomass

Mikko Impiö, Philipp M. Rehsen+6 more|arXiv (Cornell University)|Mar 6, 2026

Cell Image Analysis Techniques被引用数 0

ひとこと要約

この論文は、画像から無脊椎動物の乾燥重量を推定する二つの経路を開発・評価します：(i) 新規画像由来の予測子（沈降速度と面積）を用いた線形モデル、(ii) BIODISCOVERの画像シーケンスで訓練されたエンドツーエンドのCNNモデル（単一視図、複数視図、メタデータ対応）で、破壊的秤量を伴わない競争力のある群レベルのバイオマス推定を示します。

ABSTRACT

The ability to estimate invertebrate biomass using only images could help scaling up quantitative biodiversity monitoring efforts. Computer vision-based methods have the potential to omit the manual, time-consuming, and destructive process of dry weighing specimens. We present two approaches for dry mass estimation that do not require additional manual effort apart from imaging the specimens: fitting a linear model with novel predictors, automatically calculated by an imaging device, and training a family of end-to-end deep neural networks for the task, using single-view, multi-view, and metadata-aware architectures. We propose using area and sinking speed as predictors. These can be calculated with BIODISCOVER, which is a dual-camera system that captures image sequences of specimens sinking in an ethanol column. For this study, we collected a large dataset of dry mass measurement and image sequence pairs to train and evaluate models. We show that our methods can estimate specimen dry mass even with complex and visually diverse specimen morphologies. Combined with automatic taxonomic classification, our approach is an accurate method for group-level dry mass estimation, with a median percentage error of 10-20% for individuals. We highlight the importance of choosing appropriate evaluation metrics, and encourage using both percentage errors and absolute errors as metrics, because they measure different properties. We also explore different optimization losses, data augmentation methods, and model architectures for training deep-learning models.

研究の動機と目的

• 生物多様性モニタリングを支援するための、無脊椎動物のスケーラブルで非破壊的なバイオマス推定を動機づける。
• BIODISCOVERからの面積と沈降速度といった画像由来予測子をバイオマスモデリングの入力として導入する。
• 乾燥重量推定のための線形モデルとCNNベースのアプローチ（単一視図、複数視図、メタデータ対応）を開発・比較する。
• 分類群横断および分布外条件での性能を評価する。
• 公正なモデル比較を可能にする評価指標と報告ガイドラインを提案する。

提案手法

• BIODISCOVERの画像シーケンスを用いて specimen 面積や沈降速度（フレーム数と位置データから導出）などの予測子を計算する。
• (area のみ) および (area + 沈降速度) を予測子として用いた最小二乗法線形モデルを適合させる。
• エンドツーエンドのCNNを訓練（単一視図ResNet18、二入力の多視図、メタデータ対応バリアント）し、画像（および任意のメタデータ）を乾燥重量に写像する。
• 異なる損失関数（L1、L2、対数空間の百分率誤差）、拡張、モデルアーキテクチャ（ResNet18およびEfficientNet系）を試す。
• 複数の指標（MAPE、MdAPE、MAE、RMSE、対数変換ターゲットの R^2）とブートストラップ信頼区間を用いてモデルを評価する。

(a) Araneae (O)

実験結果

リサーチクエスチョン

• RQ1 BIODISCOVER由来の画像特徴は多様な無脊椎形態の中で乾燥重量を正確に予測できるか。
• RQ2 CNNベースのモデルは画像予測子を用いた単純な線形モデルよりバイオマス推定で優れているか。
• RQ3 複数視図およびメタデータ対応アーキテクチャは単一視図モデルと比較してバイオマス予測でどのように異なるか。
• RQ4 分布外の分類群へ一般化した場合のモデル挙動はどうなるか。
• RQ5 バイオマス推定において百分率誤差指標と絶対誤差指標の両方を報告することは有益か。

主な発見

Name	RMSE	MAE	MAPE	MdAPE	R2
Linear (area)	1.094 ± 0.21	0.289 ± 0.03	0.578 ± 0.02	0.394 ± 0.01	0.820 ± 0.01
Linear (area + speed)	0.950 ± 0.20	0.222 ± 0.03	0.341 ± 0.01	0.263 ± 0.01	0.921 ± 0.01
Loss functions - Percentual error	0.871 ± 0.14	0.228 ± 0.03	0.331 ± 0.01	0.267 ± 0.01	0.906 ± 0.01
Loss functions - L2	0.816 ± 0.18	0.239 ± 0.03	0.673 ± 0.03	0.378 ± 0.02	0.000 ± 0.00
Loss functions - L1	0.624 ± 0.13	0.179 ± 0.02	0.409 ± 0.02

• Area と沈降速度（画像シーケンス由来）を用いた線形モデルは、面積のみのモデルよりRMSEとMAEを著しく改善する。
• 最良の線形モデル（area+speed）は RMSE 0.950 ± 0.20、MAE 0.222 ± 0.03、MdAPE 0.263 ± 0.01、R2 0.921 ± 0.01 を達成。
• 損失関数の実験では、割合誤差目的が高い性能を示し（MAPE 0.331 ± 0.01、MdAPE 0.267 ± 0.01、R2 0.906 ± 0.01）。
• CNNベースのモデルはさらに性能を向上させ、対数-L1 損失（フリップ＋90°）で訓練されたメタデータ対応の ResNet18 が最適化グループで最良の結果を示した。
• 大型の異種Orderデータセットおよび小型Speciesデータセットでのグラウンドトゥルース評価は競合的な性能を示し、エンドツーエンドの分類群対応バイオマス推定の可能性を示した。

(b) Coleoptera (O)