Planktonzilla：用於理解浮游生態系統的多模態數據集與模型

海洋浮游生物是水生食物網的基礎，並在全球二氧化碳封存中發揮關鍵作用。它們通過光合作用吸收大量大氣中的二氧化碳，並將其轉移至深海，對氣候調節意義重大。然而，準確識別浮游生物物種是理解海洋健康和氣候變化反饋的關鍵，但這一任務面臨諸多挑戰。

現有的分類模型在單一數據集上表現良好，但由於訓練數據孤立且標籤不一致，它們難以在跨儀器和跨環境進行泛化。不同的成像系統（如顯微鏡、水下相機等）產生的圖像差異巨大，加上缺乏統一的標準，使得模型的實際應用受到限制。

為解決這一問題，研究團隊推出了Planktonzilla-17M，這是一個統一的數據集，整合了來自13種成像系統的公開浮游生物圖像集合。數據集包含1740萬張圖像，均附有標準化的分類學和地理環境元數據。其中，374萬張浮游生物圖像跨越602個分類類別，201個達到物種級別。這使得Planktonzilla-17M成為目前最大、最全面的浮游生物圖像數據集，為研究者提供了寶貴的資源。

基於這一大規模數據集，研究團隊在共享的ViT骨幹網絡上對監督學習和CLIP式圖像-文本訓練進行了受控比較。實驗結果令人關注：當使用分類學譜系作為文本描述時，傳統的監督分類器在性能上匹配甚至超越了CLIP式訓練方法。這表明，在特定領域任務中，精細的標籤結構可能比大規模弱監督預訓練更為有效。

此外，研究者還評估了現有的生物基礎模型，如BioCLIP和BioCLIP2。他們發現，這些模型在零樣本和少樣本設置下對浮游生物圖像的識別表現不佳，遠遠無法滿足實際應用需求。這揭示了當前生物基礎模型在海洋成像領域的侷限性，暗示了領域特異性預訓練的必要性。

Planktonzilla-17M的引入顯著提升了浮游生物分類性能，為海洋生態監測和氣候變化研究提供了更可靠的技術支持。該研究發表在arXiv預印本平台上，涉及計算機視覺、人工智能、機器學習等多個領域。研究者表示，他們將繼續擴展數據集，並探索更高效的模型架構，以推動海洋生態系統研究的自動化進程。