Un enfoque de aprendizaje profundo híbrido móvil para clasificar representaciones 3D de lagartijas amazónicas

Área de la Ciencia:

• Conservación de la biodiversidad
• Aplicaciones de aprendizaje automático en ciencias biológicas
• Identificación taxonómica

Sus antecedentes:

• La clasificación de imágenes es crucial para las ciencias biológicas, ayudando al reconocimiento de especies y la conservación de la biodiversidad.
• Los métodos existentes a menudo se basan en imágenes 2D, que pueden faltar detalles morfológicos.
• Se necesitan herramientas accesibles y compatibles con dispositivos móviles para la identificación de campos.

Objetivo del estudio:

• Desarrollar una herramienta híbrida de aprendizaje automático para clasificar muestras 3D de especies endémicas de lagarto amazónico.
• Evaluar el rendimiento de varios modelos de aprendizaje profundo y de aprendizaje automático clásico para esta tarea.
• Crear una herramienta desplegable en dispositivos móviles para su uso práctico en el campo.

Principales métodos:

• Se utilizó un conjunto de datos de tres especies de lagarto amazónico (Anolis fuscoauratus, Hoplocercus spinosus, Polychrus marmoratus) del Museu Paraense Emílio Goeldi (MPEG).
• Se compararon cuatro redes neuronales artificiales (MobileNet, MobileNetV2, MobileNetV3-Small y MobileNetV3-Large) para la extracción de características.
• Se evaluaron cinco clasificadores clásicos de aprendizaje automático (SVM, GaussianNB, AdaBoost, KNN y Random Forest) en función de las características extraídas.
• Empleó la prueba de McNemar para comparar estadísticamente el rendimiento del modelo basado en matrices de confusión.

Principales resultados:

• El modelo de mejor rendimiento combinó MobileNetV3-Small (extractor de características) con un clasificador de Support Vector Machine (SVM) de núcleo lineal.
• Este modelo híbrido logró una alta precisión (0,955), precisión (0,948), recuerdo (0,948) y puntuación F1 (0,948).
• Las métricas de rendimiento en los modelos probados fueron estadísticamente similares, lo que indica robustez.

Conclusiones:

• Un enfoque híbrido que utiliza pequeños modelos de aprendizaje profundo con algoritmos clásicos de aprendizaje automático es efectivo para la clasificación de especies de lagarto en 3D.
• La herramienta desarrollada es adecuada para el despliegue móvil, mejorando la identificación taxonómica en el campo.
• Este método aprovecha las características morfológicas 3D para una identificación de especies más precisa en comparación con el análisis de imágenes 2D.