生物分类单元识别中的人类专家与机器

目前，专家进行生物分类单元识别的步骤降低了许多生物评估的响应速度。尽管转向更快速、更经济的 state-of-the-art 机器学习方法仍面临专家对机器能力与逻辑的质疑。在我们的研究中，我们调查了分类学专家与机器在准确率和识别逻辑两方面的差异。我们提出了一种利用深度 Convolutional Neural Nets 结合迁移学习范式的系统方法，并在一个专门为此次比较创建的具有层级标签的多姿态分类学数据集上进行了广泛评估。我们还详细研究了在不同分类层级上的预测准确率。我们使用 support vector machine 分类器作为基准。结果表明，使用实际标本的人类专家取得了最低的分类错误率（$\overline{CE}=6.1\%$）。然而，当采用典型的扁平分类方法时，一种使用深度 Convolutional Neural Nets 的更快速、自动化的方法接近人类准确率（$\overline{CE}=11.4\%$）。与先前文献的发现相反，我们发现对于机器而言，采用机器学习中常用的典型扁平分类方法，其表现优于强制机器采用人类分类学专家使用的层级化、按父节点局部处理的方法（$\overline{CE}=13.8\%$）。最后，我们公开分享了我们独特的数据集，以作为该领域的公共基准数据集。