湖泊浮游动物的深度学习分类
计算机视觉与模式识别
2021-10-27 v1 机器学习
种群与进化
摘要
浮游生物是淡水生境中环境变化和生态系统健康的有效指示物，但使用人工显微镜方法收集浮游生物数据极其费力且昂贵。自动浮游生物成像提供了一种有前景的途径，以高频和实时准确监测浮游生物群落。然而，对数百万张图像的人工标注对分类学家提出了严峻挑战。深度学习分类器已成功应用于多个领域，并在用于分类海洋浮游生物图像时提供了令人鼓舞的结果。在此，我们提出一组为湖泊浮游生物识别开发的深度学习模型，并研究若干获得最优性能的策略，从而为用户给出可操作规范。为此，我们将在瑞士Greifensee湖使用Dual Scripps Plankton Camera检测到的超过17900张浮游动物和大型浮游植物群落图像标注为35类。我们最佳的模型基于迁移学习和集成，以98%准确率和93% F1分数对浮游生物图像进行分类。当在由其他自动成像工具（ZooScan、FlowCytobot和ISIIS）生成的公开浮游生物数据集上测试时，我们的模型优于先前使用的模型。我们的标注数据、代码和分类模型均可在线免费获取。
引用
@article{arxiv.2108.05258,
title = {Deep Learning Classification of Lake Zooplankton},
author = {S. P. Kyathanahally and T. Hardeman and E. Merz and T. Kozakiewicz and M. Reyes and P. Isles and F. Pomati and M. Baity-Jesi},
journal= {arXiv preprint arXiv:2108.05258},
year = {2021}
}
备注
Data and code links will be active/updated after publication