尽管监测昆虫多样性对生态和保护问题至关重要，但我们缺乏足够的技术来大规模监测昆虫。尽管通过相机陷阱监测生物多样性的自动化系统的研究已经开发出多种机器学习方法用于昆虫监测，但这些工具面临训练数据不足的问题，并且在高度多样化的系统中分类昆虫时面临挑战，因为大多数物种尚不为科学所知。为了解决这些挑战，我们开发了BugNet，这是一种从在线数据库汇聚昆虫图像数据并训练层次分类模型的自动化管道，并在GBIF和现场图像上测试大规模昆虫检测模型。我们表明该系统可以迅速创建并验证在互联网和现场图像上具有高准确性的分类模型。此外，我们表明将层次数据纳入分类模型，提高了模型处理未知分类单元的能力。这些系统是朝着一个通用和可扩展的昆虫检测平台迈出的重要一步。尽管无法监测昆虫多样性的每个维度，但BugNet可以用于准确分类来自相机陷阱图像的昆虫，并且可以扩展以满足更大型生态和保护问题的数据需求.
Grele等（星期三）研究了这个问题。