Planktonzilla：プランクトン生態系を理解するためのマルチモーダルデータセットとモデル

海洋プランクトンは水生生態系の基盤をなし、全球の二酸化炭素隔離に重要な役割を果たす。光合成によって大気中の二酸化炭素を大量に吸収し、深海へ輸送するため、気候調整に極めて重要である。しかし、プランクトンの種を正確に識別することは海洋の健康と気候フィードバックの理解に不可欠だが、多くの課題が存在する。

既存の分類モデルは個別のデータセットでは良好に機能するものの、訓練データの孤立とラベルの不整合により、異なる機器や環境をまたいだ一般化が困難である。顕微鏡や水中カメラといった様々な撮像システムで生成される画像は大きく異なり、統一された基準がないため、実用的な応用が制限されている。

この問題に対処するため、研究チームは13の撮像システムからの公開プランクトン画像コレクションを統合した統一データセット「Planktonzilla-17M」を導入した。データセットは1740万枚の画像で構成され、標準化された分類学と地理環境メタデータが付与されている。そのうち374万枚のプランクトン画像が602の分類クラスをカバーし、201は種レベルまで同定されている。これにより、Planktonzilla-17Mは現在最大かつ最も包括的なプランクトン画像データセットとなり、研究者に貴重なリソースを提供する。

この大規模データセットを用いて、研究チームは共有のViTバックボーン上で教師あり学習とCLIPスタイルの画像-テキスト訓練の制御比較を実施した。結果は注目に値する：分類系統をテキストとして使用した場合、従来の教師あり分類器はCLIPスタイルの訓練と同等以上の性能を示した。これは、特定のドメインタスクにおいて、細かいラベル構造が大規模な弱教師あり事前学習よりも効果的である可能性を示唆している。

さらに、研究者らは既存の生物基礎モデル（BioCLIPやBioCLIP2）を評価した。その結果、これらのモデルはゼロショットおよび少数ショット設定でプランクトン画像の識別性能が低く、実用的な要求を満たせないことが判明した。これは、海洋画像領域における現在の生物基礎モデルの限界を浮き彫りにし、ドメイン固有の事前学習の必要性を示している。

Planktonzilla-17Mの活用はプランクトン分類性能を大幅に向上させ、海洋生態系モニタリングと気候変動研究に信頼性の高い技術的基盤を提供する。本研究はarXivプレプリントプラットフォームで公開され、コンピュータビジョン、人工知能、機械学習など複数の分野に関連する。研究者らは今後もデータセットを拡張し、より効率的なモデルアーキテクチャを探求することで、海洋生態系研究の自動化を推進する予定である。