基于自编码器的浮游植物寄生虫检测研究
计算机视觉与模式识别
2024-02-09 v2 人工智能
摘要
浮游植物寄生虫是研究甚少但可能对浮游植物水华动态具有显著生态影响的微生物组分。为更好理解其影响，我们需要改进的检测方法，以将浮游植物寄生虫相互作用整合进水生生态系统监测中。自动成像设备通常产生大量浮游植物图像数据，而异常浮游植物数据的出现却很稀少。因此，我们提出一种基于原始样本与自编码器重建样本相似性的无监督异常检测系统。借助该方法，我们在九种浮游植物物种上达到了 0.75 的总体 F1 分数，并可通过物种特异性微调进一步提升。该无监督方法进一步与基于有监督 Faster R-CNN 的目标检测器进行比较。使用此有监督方法并以浮游植物物种与异常为训练模型，我们达到了最高的 0.86 F1 分数。然而，无监督方法预期更具通用性，因其亦可检测未知异常，且不需要任何标注异常数据——后者未必总能足量获取。尽管其他研究已处理非浮游颗粒或气泡检测方面的浮游生物异常检测，但据我们所知，本文是首篇聚焦于考虑疑似浮游植物寄生虫或感染的自动异常检测的论文。
关键词
引用
@article{arxiv.2303.08744,
title = {Towards Phytoplankton Parasite Detection Using Autoencoders},
author = {Simon Bilik and Daniel Batrakhanov and Tuomas Eerola and Lumi Haraguchi and Kaisa Kraft and Silke Van den Wyngaert and Jonna Kangas and Conny Sjöqvist and Karin Madsen and Lasse Lensu and Heikki Kälviäinen and Karel Horak},
journal= {arXiv preprint arXiv:2303.08744},
year = {2024}
}