深度学习方法用于检测鸟翅膀图像中的里程碑
Dylan S Geldenhuys1,2, Shane Josias2,3, Willie Brink2
1The South African Department of Science and Innovation-National Research Foundation (DSI-NRF) South African Centre for Epidemiological Modelling and Analysis (SACEMA), Stellenbosch University, Stellenbosch, South Africa.
PLoS computational biology
|June 26, 2023
概括
深度学习准确地识别了飞翼的地标,用于人口研究. 这种自动化方法改善了形态测量分析,这对于控制非洲的三虫病载体至关重要.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 塞塞 (Glossina spp.) 是一种. 传输三虫病,影响非洲的人类和动物的健康.
- 策翅的形态分析有助于种群的识别和控制.
- 手动识别翅膀上的地标是繁的,容易出错,阻碍了大规模研究.
研究的目的:
- 开发一种自动化的深度学习方法,用于准确地预测飞翼的地标.
- 为了比较卷积神经网络 (CNN) 回归和完全卷积网络 (FCN) 分段的性能,用于地标定位.
- 为未来的形态分析创建一个大规模的翅膀标志数据集.
主要方法:
- 采用了双层深度学习方法:图像分类来过无法使用的翅膀,然后进行里程碑预测.
- 对于第二层,比较了两种方法:使用CNN的直接坐标回归和使用FCN的细分.
- 使用Procrustes分析来评估地标预测中的形状偏差;应用数据增强.
主要成果:
- 在CNN回归模型中,随着数据增强,平均像素距离误差从8.3降低到5.34.
- FCN细分模型实现了3.43的平均像素距离误差,但具有更高的计算复杂性和异常值.
- 该回归模型被选择用于14354张机翼图像,因为其计算成本较低,预测稳定.
- 这两种模型都表现出最小的形状偏差.
结论:
- 深度学习提供了一种高效且准确的解决方案,用于自动识别翼地标.
- 开发的方法可以适应对其他昆虫物种进行形态测量分析.
- 生成的里程碑式数据集有助于未来对策种群和疾病控制的研究.
