显微有孔虫的实例分割

有孔虫是单细胞海洋生物，其构建的壳体会作为化石留存于海洋沉积物中。对这些化石进行分类与计数在古海洋学与古气候学等研究中十分重要。然而，自19世纪以来，鉴定与计数过程一直依赖人工，繁琐且耗时。本工作中，我们提出一种基于深度学习的实例分割模型，用于对显微有孔虫进行分类、检测与分割。我们的模型基于 Mask R-CNN 架构，使用已在 COCO 检测数据集上学习到的模型权重参数。我们采用微调方法，在包含超过7000个显微有孔虫与沉积颗粒的新颖目标检测数据集上适配参数。该模型在分类与检测任务上取得了 $0.78 \pm 0.00$ 的（COCO风格）平均精度，在分割任务上取得了 $0.80 \pm 0.00$。当在不含具有挑战性的沉积颗粒图像上评估模型时，两项任务的平均精度分别提升至 $0.84 \pm 0.00$ 与 $0.86 \pm 0.00$。我们对预测结果进行了定量与定性分析并展开讨论。基于我们的发现，我们提出了若干未来工作方向，并得出结论：我们所提出的模型是迈向显微有孔虫鉴定与计数自动化的重要一步。