硅藻图像分类的层次化深度学习：多层级分类学方法
摘要
硅藻的准确分类鉴定对水生生态系统监测至关重要，但传统方法高度依赖专家分类学家。近期深度学习方法提高了自动化程度，但大多数将硅藻识别视为扁平分类，仅预测一个分类学层级。我们研究了将分类学层次嵌入神经网络架构是否能同时提高准确性和错误局部性。我们提出了 DiatomCascadeNet (H-COFGS)，一种具有五个级联头的层次化卷积网络，联合预测纲、目、科、属和种。每个头接收共享骨干特征和来自更高层级的概率分布，并通过二进制掩码在训练和推理期间将预测限制在有效后代范围内。使用覆盖 82 个物种的 1,456 张硅藻图像的筛选数据集，我们在相同设置下比较了层次化模型和扁平模型。H-COFGS 在物种层级上与扁平基线持平（69.4% 准确率），但在所有上层分类层级上表现更优。当物种预测失败时，错误仍保持在分类学局部性：92.5% 的误分类物种在属层级被正确预测，而扁平基线仅为 67.2%。H-COFGS 将平均分类学距离降低了 38.2%（1.209 vs. 1.955）。渐进训练揭示了双向机制：层次化约束掩码自上而下地约束预测空间，而细粒度层级的梯度通过共享骨干自下而上地传播以精炼特征。这将类别准确率从 96.2% 提高到 99.5%，并在上层获得 6-8% 的提升，为多层级分类学分类产生了更鲁棒、更可解释、更生物学对齐的预测。
引用
@article{arxiv.2512.06613,
title = {Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach},
author = {Yueying Ke},
journal= {arXiv preprint arXiv:2512.06613},
year = {2025}
}
备注
Version 2: Corrected reference details, improved architectural diagram, and enhanced writing for clarity and precision. Added a table illustrating the masking mechanism. No changes to experimental results or conclusions. 11 pages, 6 figures, 3 tables