[论文解读] Overview of PlantCLEF 2022: Image-based plant identification at global scale

Hervé Goëau, Pierre Bonnet+1 more|ArXiv.org|Sep 22, 2025

Smart Agriculture and AI被引用 23

一句话总结

本论文综述 PlantCLEF 2023（LifeCLEF 2023 植物识别任务），并分析使用 CNNs 与 Vision Transformers 的基于图像的大规模植物识别，重点介绍 SSL 预训练的 ViTs 以及网络数据在训练中的益处。同时给出参与运行的主结果表。

ABSTRACT

It is estimated that there are more than 300,000 species of vascular plants in the world. Increasing our knowledge of these species is of paramount importance for the development of human civilization (agriculture, construction, pharmacopoeia, etc.), especially in the context of the biodiversity crisis. However, the burden of systematic plant identification by human experts strongly penalizes the aggregation of new data and knowledge. Since then, automatic identification has made considerable progress in recent years as highlighted during all previous editions of PlantCLEF. Deep learning techniques now seem mature enough to address the ultimate but realistic problem of global identification of plant biodiversity in spite of many problems that the data may present (a huge number of classes, very strongly unbalanced classes, partially erroneous identifications, duplications, variable visual quality, diversity of visual contents such as photos or herbarium sheets, etc). The PlantCLEF2022 challenge edition proposes to take a step in this direction by tackling a multi-image (and metadata) classification problem with a very large number of classes (80k plant species). This paper presents the resources and evaluations of the challenge, summarizes the approaches and systems employed by the participating research groups, and provides an analysis of key findings.

研究动机与目标

• 推动自动化、全球规模的植物物种识别，以支持生物多样性监测。
• 描述用于评估的两大训练数据集（trusted 与 web）及测试集。
• 总结参与方法、架构与训练策略，覆盖 80,000 个物种。
• 分析关键发现，指导未来在大规模植物识别领域的研究。

提出的方法

• 描述数据集构建：基于 GBIF 的 trusted 精选图像和带噪声的网络图像，合计 4 million images，覆盖 80k 个物种。
• 使用多图观测评估植物识别任务，以宏平均的平均倒数排名 MA-MRR 作为指标。
• 调查参与方法，聚焦架构选择（CNN 与 Vision Transformers）和预训练（STL 与 SSL，EVA、MAE）。
• 报告来自预定义的参赛排行榜的结果，并比较不同设定的性能。
• 分析网络数据、器官（organ）基子模型以及预训练策略对 MA-MRR 的影响。

实验结果

研究问题

• RQ1 大规模多图训练集对植物物种检索性能有何影响？
• RQ2 在这项大规模植物识别任务中，具有自监督预训练的 Vision Transformers 是否优于使用监督迁移学习的 CNN？
• RQ3 包含带噪声的网络数据如何影响模型在大量物种上的准确性与泛化？
• RQ4 哪些训练配置（分类等级、器官、预训练）在大规模植物识别上获得最佳 MA-MRR？

主要发现

• 通过自监督学习进行预训练的 Vision Transformer 模型（EVA/MXE 方法）达到最高的 MA-MRR 分数，优于基于 CNN 的解决方案。
• 最佳 EVA 基线方法（MingleXuRun8）达到 MA-MRR 0.67395。
• 相比仅使用 trusted 数据，加入 Web 训练集显著提升了性能（例如从 0.65035 提升到 0.67395）。
• 在训练中移除较少样本的物种（物种消融）降低了性能，表明包含所有物种的重要性。
• 将器官特定模型结合通常会因物种覆盖范围缩小而降低性能。
• 基于 CNN 的方法的 MA-MRR 最高达到 0.61813，仍低于最佳 EVA 结果。