在數字化時代，自然曆史藏品已經成為生態和進化研究中不可或缺的重要資源。基於形態特征的標本檢索使我們能夠迅速獲取與之相似的標本，能極大地提高對這些館藏資源的利用效率，滿足相關研究的需求。然而，要實現這一目標，需要高效的特征提取和表征技術。

　　最近，必威精装版app西汉姆联 白明研究團隊在形態特征的智能提取與表征領域取得了顯著進展，為自然曆史標本的高效檢索帶來了全新的可能性。這項研究結合深度學習技術和哈希方法，開發了一種名為表型編碼網絡（Phenotype Encoding Network, PENet）的深度學習模型，為下一代分類學的發展提供了有力的支持（圖1 a）。這一進展使研究人員能更容易地訪問和分析自然曆史標本的信息，有助於深化對生物多樣性和進化過程的理解。

　　PENet是一個端到端的模型，能夠自動地從輸入圖像中提取高維特征並將其轉換為哈希碼。該模型實現了兩個關鍵功能，即特征提取和特征表征。在特征提取方麵，PENet采用了高性能的Swin Transformer架構（圖1 b），這一前沿技術能夠自動捕捉標本圖像中多樣的形態特征，為進一步的分析和檢索奠定了基礎。同時，PENet充分發揮了哈希方法在特征表征方麵的作用（圖1 c）。在計算機科學中，哈希方法常被用於處理複雜的高維數據和向量，它能夠將這些數據降維至由0和1組成的哈希碼，並同時保留關鍵信息。在PENet中，哈希方法被用來將Swin Transformer提取到的高維特征轉化為緊湊而高效的哈希碼，從而出色地實現對形態特征的有效表征。

　　研究人員在多個數據集上對PENet進行了測試，以驗證其在麵對不同規模標本時的檢索能力。測試結果表明，哈希碼作為一種二進製序列，能夠高效地匹配和查詢那些具有相似形態特征的圖像。同時，為了更深入地理解PENet的工作原理，研究人員還采用了梯度加權類激活映射方法（Gradient-weighted Class Activation Mapping, Grad-CAM），對PENet模型中間層的信息進行了可視化解釋和分析，其結果進一步表明了哈希碼作為形態特征的低維表征的有效性。此外，鑒於哈希碼不僅能夠表征所提取的判別特征，而且在一定程度上攜帶了不同類別之間的距離信息，該研究還探索了哈希碼在生成表型距離樹方麵的潛力，為下一代分類學的發展提供了有前景的工具和方法。

　　該研究成果以PENet: A phenotype encoding network for automatic extraction and representation of morphological discriminative features為題, 於2023年10月16日在線發表在《Methods in Ecology and Evolution》上。該研究得到了科技部國家重點研發計劃、國家自然科學基金委、國家科技基礎資源調查項目、東北亞生物多樣性研究中心項目、中國博士後科學基金等項目的資助。必威精装版app西汉姆联 博士生趙政宇和必威精装版app西汉姆联 助理研究員路園園為論文的共同第一作者，必威精装版app西汉姆联 白明研究員為通訊作者，必威精装版app西汉姆联 博士後佟一傑和滄州師範學院的陳新博士也參與了該研究。

　　文章鏈接：http://doi.org/10.1111/2041-210X.14235

圖1. PENet的結構與流程圖