利用可解释人工智能研究用于细菌菌落计数的基数分类
计算机视觉与模式识别
2026-04-23 v1
摘要
自动细菌菌落计数是现代生物实验室中备受追捧的技术，因为它消除了人工计数的繁杂工作。先前的工作观察到，MicrobiaNet（目前性能最佳的用于菌落计数的基数分类模型）在区分三个及以上个体的菌落时存在困难。然而，尚不清楚这是否归因于数据属性与 MicrobiaNet 模型固有特征的共同作用。通过利用可解释人工智能（XAI）分析 MicrobiaNet，我们证明 XAI 能够深入揭示数据属性如何制约菌落计数中的基数分类性能。我们的结果表明，跨类别的高视觉相似性是阻碍性能进一步提升的关键问题，这修正了先前关于 MicrobiaNet 的论断。这些发现表明，未来的工作应侧重于显式结合视觉相似性的模型或探索密度估计方法，这对于在不平衡数据集上训练的神经网络分类器具有更广泛的意义。
引用
@article{arxiv.2604.20026,
title = {Investigation of cardinality classification for bacterial colony counting using explainable artificial intelligence},
author = {Minghua Zheng and Na Helian and Peter C. R. Lane and Yi Sun and Allen Donald},
journal= {arXiv preprint arXiv:2604.20026},
year = {2026}
}
备注
54 pages, 48 figures