使用微调深度卷积神经网络集成进行花粉粒显微图像分类
计算机视觉与模式识别
2021-03-25 v1
摘要
花粉粒显微图像分类在医学和生物学中有多种应用。自动花粉粒图像分类可缓解人工分类的主观性和时间限制等问题。尽管文献中已引入若干基于计算机的方法来执行此任务，但这些方法的分类性能仍需提升才能在实践中发挥作用。在本文中，我们提出了一种将花粉粒显微图像分类为四类的集成方法：榛树发育良好花粉粒、榛树异常花粉粒、桤木发育良好花粉粒，以及非花粉（碎屑）实例。在我们的方法中，我们开发了一种基于四个最先进的微调卷积神经网络融合的分类策略，即 EfficientNetB0、EfficientNetB1、EfficientNetB2 和 SeResNeXt-50 深度模型。这些模型以三种固定尺寸（224x224、240x240 和 260x260 像素）的图像进行训练，其预测概率向量随后在集成方法中融合，形成给定花粉粒图像的最终分类向量。我们的所提方法展现出优异的分类性能，基于五折交叉验证在 ICPR 2020 花粉粒分类挑战训练集上获得了 94.48% 的准确率和 94.54% 的加权 F1 分数。在挑战的测试集上评估时，与排名靠前的方法相比，我们的方法取得了极具竞争力的性能，准确率和加权 F1 分数分别为 96.28% 和 96.30%。
引用
@article{arxiv.2011.07428,
title = {Pollen Grain Microscopic Image Classification Using an Ensemble of Fine-Tuned Deep Convolutional Neural Networks},
author = {Amirreza Mahbod and Gerald Schaefer and Rupert Ecker and Isabella Ellinger},
journal= {arXiv preprint arXiv:2011.07428},
year = {2021}
}
备注
Accepted for the Artificial Intelligence for Healthcare Applications workshop at the 25th International Conference on Pattern Recognition (ICPR 2020)