近日，工学院张军国教授团队在野生动物监测图像数据集剪枝领域取得重要研究进展。该团队针对红外相机等设备采集的海量监测数据导致AI模型训练成本高昂、效率低下等现实挑战，提出创新性解决方案，相关成果以“GDP-CT: Grouped data pruning for camera trap”为题发表于人工智能与专家系统领域国际知名期刊《Expert Systems With Applications》（中国科学院一区TOP期刊，影响因子7.5）。

随着红外触发相机在生态监测中的广泛应用，逐年积累的野生动物图像数据已远超人工处理能力，利用人工智能实现物种自动识别成为必然选择。然而，若将所有数据用于模型训练，将面临计算资源消耗大、训练周期长、且存在“边际收益递减”等问题。因此，如何从海量图像中智能筛选出“高训练价值”样本，成为构建高效、实用识别模型的关键问题。

研究团队发现，直接将现有通用数据集剪枝方法应用于野生动物监测数据，会导致严重的数据失衡问题，具体表现为物种多样性丢失和背景多样性丢失，最终使得训练出的模型在实际复杂野外的泛化能力大幅下降。

为此，团队创新性地提出了分组数据集剪枝方法GDP-CT。该方法摒弃了传统的全局样本评估排序思路，转而依据野生动物监测数据中“特定物种-特定监测点位”所形成的自然分组，在组内进行样本价值评估与排序。这一策略确保了剪枝后的数据子集能够最大程度地保留原始数据的生物多样性和环境背景多样性。

研究团队在CCT20及iWildCam-WILDS等多个公开数据集上对GDP-CT方法进行了系统验证。实验结果表明，该方法相比于Forgetting、Moderate、Dyn-Unc等多种数据集裁剪方法基线在10~90%（10%步进）的剪枝比例下分别具有21%及22%的平均相对性能提升，而且同时具有跨域稳定性以及跨模型架构稳定性。

该研究成果为生态学研究与保护工作者提供了从海量监测数据中快速构建、高效训练与迭代野生动物识别模型的有力工具，显著降低了AI技术应用的门槛与成本，对推动人工智能赋能生物多样性监测与保护具有重要意义。

工学院博士研究生沙连帅为论文第一作者，张军国教授为通讯作者，田野副教授参与了指导。

该研究得到了国家自然科学基金项目（32371874） 的支持。

论文链接：https://doi.org/10.1016/j.eswa.2025.130234