基于深度度量学习的显微化石识别
计算机视觉与模式识别
2022-03-25 v3 人工智能
机器学习
摘要
我们首次将深度度量学习应用于显微镜图像中浮游有孔虫壳的分类问题。该物种识别任务是重建古气候的重要信息来源和科学支柱。文献中所有有孔虫 CNN 识别流程都产生黑盒分类器，缺乏面向人类专家的可视化选项，且无法应用于开集问题。在此，我们将度量学习与这些流程进行基准对比，首次对表型浮游有孔虫形态空间进行科学可视化，并证明度量学习可用于聚类训练期间未见的物种。我们表明度量学习在该领域优于所有已发表的基于 CNN 的 SOTA 基准。我们在 Endless Forams 公共库的 34,640 张专家标注图像（涵盖 35 个现代浮游有孔虫物种）上评估了我们的方法。在该数据上的结果表明，在保留测试数据上复现专家标签的准确率领先达 92%（F1 分数 0.84），对训练从未遇到的物种进行聚类时准确率为 66.5%（F1 分数 0.70）。我们得出结论，度量学习在该领域非常有效，并可作为迈向专家在环的显微化石识别自动化的重要工具。为实现完全可复现，本文公开了密钥代码、网络权重和数据划分。
引用
@article{arxiv.2112.09490,
title = {Visual Microfossil Identification via Deep Metric Learning},
author = {Tayfun Karaderi and Tilo Burghardt and Allison Y. Hsiang and Jacob Ramaer and Daniela N. Schmidt},
journal= {arXiv preprint arXiv:2112.09490},
year = {2022}
}