可解释深度学习在植物胁迫表型中的应用
机器学习
2017-10-31 v3 机器学习
摘要
能够应用于实际场景并持续、快速、准确地识别生物学应用领域中特定细微性状的可解释深度学习模型目前还很稀缺。这里我们考虑一个这样的实际例子，即作物研究和生产中生物与非生物胁迫的准确识别、分类和量化。到目前为止，这主要依靠人工目视检查完成，需要专门培训。然而，这种技术受到评估者间和评估者内认知差异导致的主观性的阻碍。在这里，我们展示了一个机器学习框架能够以显著的准确性识别和分类大豆植物中多种叶面胁迫。我们还提出了一种使用梯度加权类激活映射的解释机制，该机制分离了模型用于预测的视觉症状。这种对每种胁迫独特视觉症状的无监督识别提供了胁迫严重程度的定量度量，从而在一个框架内实现了识别、分类和量化。学习到的模型似乎对物种不敏感，并能对其他（非大豆）物种做出良好预测，展示了迁移学习的能力。
引用
@article{arxiv.1710.08619,
title = {Interpretable Deep Learning applied to Plant Stress Phenotyping},
author = {Sambuddha Ghosal and David Blystone and Asheesh K. Singh and Baskar Ganapathysubramanian and Arti Singh and Soumik Sarkar},
journal= {arXiv preprint arXiv:1710.08619},
year = {2017}
}