深層学習を用いた擬態生物検出では，生物と背景の類似性により境界が不明瞭になり，背景誤検出が実運用上の大きな課題となる．従来の物体検出モデルは，この本質的に難度の高い問題を十分に解消できず，生態モニタリング等で求められる高効率性との両立が困難であった．
本研究ではこの課題に対処するため，汎用的なYOLOをベースモデルとして採用し，擬態生物検出に特化したハードネガティブサンプリング（HNS）を導入した．HNSは，モデルが誤検出しやすい難例を重点的に学習させることで，背景に対する識別性能を強化するものである．
提案手法を昆虫およびカエルを含む複数の擬態生物データセットで評価した結果，高い汎化性能と実運用上の有効性を両立できることを確認した．