[論文レビュー] Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage

Chenchang Liu, Felix Fornoff+4 more|OpenAgrar|Mar 17, 2026

Insect and Arachnid Ecology and Behavior被引用数 0

ひとこと要約

要約: 本論文は、層捕獲巣（LTN）内の brood cell を検出・分類する深層学習手法（YOLOv8）を提案し、未ラベルデータを扱うための Constrained False Positive Loss（CFPL）を導入して、ラベリング作業を削減しつつ、一般種と希少種の両方で検出性能を向上させる。

ABSTRACT

Monitoring cavity-nesting wild bees and wasps is vital for biodiversity research and conservation. Layer trap nests (LTNs) are emerging as a valuable tool to study the abundance and species richness of these insects, offering insights into their nesting activities and ecological needs. However, manually evaluating LTNs to detect and classify brood cells is labor-intensive and time-consuming. To address this, we propose a deep learning based approach for efficient brood cell detection and classification in LTNs. LTNs present additional challenges due to densely packed brood cells, leading to a high labeling effort per image. Moreover, we observe a significant imbalance in class distribution, with common species having notably more occurrences than rare species. Comprehensive labeling of common species is time-consuming and exacerbates data imbalance, while partial labeling introduces data incompleteness which degrades model performance. To reduce labeling effort and mitigate the impact of unlabeled data, we introduce a novel Constrained False Positive Loss (CFPL) strategy. CFPL dynamically masks predictions from unlabeled data, preventing them from interfering with the classification loss during training. We evaluate our approach on a dataset of 712 LTN images collected over one season, covering 28 fine-grained classes describing the taxonomy and status of brood cells. To minimize labeling effort, we limit the training set to a maximum of 300 labels per class. Experimental results demonstrate that deep learning can be effectively used to detect brood cells in LTNs. Our CFPL method further improves performance and balances model accuracy and labeling effort while also mitigating class imbalance.

研究の動機と目的

• LTN を用いた cavity-nesting bees and wasps の自動モニタリングを動機づけ、個体数と種多様性を評価する。
• 一般種が過剰 Representation され、すべての事例のラベリングが現実的でない不均衡な生態データにおけるラベリング課題に対処する。
• 学習中の未ラベルデータの影響を緩和する学習戦略（CFPL）を開発・評価する。
• 限られたラベル付きデータを用いた実際の LTN 画像データセットで実現可能性と性能向上を定量化する。

提案手法

• LTN の brood cell 検出バックボーンとして YOLOv8 を使用する。
• 分類損失計算時に未ラベル領域からの予測をマスクする Constrained False Positive Loss（CFPL）を導入する。
• ラベリング負荷とデータの完全性のバランスをとるため、クラスあたり最大 300 サンプルをラベル付けする。
• データを、部分ラベル付きの訓練セット、テストセット、検証セットに分割する；712 枚の LTN 画像と28 クラスを使用する。
• 多数クラス群と少数クラス群の間で、ベースライン YOLOv8 と CFPL 強化による YOLOv8 を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層学習は限られたラベルデータでLTN内の brood cell を検出できるか。
• RQ2 CFPL は未ラベル多数クラスのサンプルがある状況で検出性能を改善するか。
• RQ3 CFPL アプローチは多数クラスと少数クラスの精度（AP）とリコールにどのような影響を与えるか。
• RQ4 生態モニタリングにおける部分ラベリング戦略を用いた場合の実務的なラベリング負荷削減はどれくらいか。

主な発見

• YOLOv8 のベースラインは多数クラスで AP 63.11%、リコール 7.05% を達成；CFPL により多数クラスで AP が 66.11%、リコールが 46.54% に改善。
• 少数クラスでは、AP が 44.29% から 45.83%、リコールが 31.46% から 35.57%へ CFPL で改善。
• CFPL は未ラベルの多数クラスサンプルを背景として誤分類する鈍化を抑制し、背景誤分類を平均で 0.56 から 0.33 に低減。
• 全体として、CFPL は多数クラスのリコールを大幅に向上させ（約39.49 ポイント）、両グループでの AP も控えめに向上させ、ラベリング労力と性能のトレードオフを改善することを示す。
• データセットと CFPL は、クラスあたり 300 未満のラベル付きサンプルで効果的な検出を実現し、生態モニタリングへの実用性を示唆する。