相关实验视频
Updated: Jun 27, 2025
08:11
Collection and Identification of Pollen from Honey Bee Colonies
Published on: January 19, 2021
7.2K
通过卷积神经网络识别花粉:在完整的化石花粉序列上首次应用
Médéric Durand1, Jordan Paillard1, Marie-Pier Ménard1
1Département de Géographie, Université de Montréal, Montréal, Québec, Canada.
PloS one
|April 30, 2024
概括
使用卷积神经网络自动识别化石花粉具有前景,但在新鲜花粉培训和识别化石标本之间存在差距. 为了准确的大规模应用,需要进一步开发.
科学领域:
- 古生态学 古生态学
- 帕利诺学 (Palynology) 是一个临床学科.
- 机器学习 机器学习
背景情况:
- 化石花粉分析有助于重建过去的环境和植被.
- 自动化化石花粉识别可以节省时间,降低成本,并尽量减少偏见.
- 目前的卷积神经网络 (CNN) 模型面临挑战,原因是有限的化石花粉数据和新鲜花粉和化石花粉培训数据之间的差距.
研究的目的:
- 开发和测试一个大规模的自动化化石花粉识别工作流程.
- 为了弥合新鲜和化石花粉数据之间的差距,用于机器学习模型.
- 为了评估受过新鲜花粉培训的CNN在化石花粉识别方面的表现.
主要方法:
- 采用了加速化石花粉提取协议.
- 卷积神经网络被训练在标记的新鲜花粉上,这些花粉来自美国东北地区的常见物种.
- 该模型在新鲜花粉和196,526个化石花粉图像的大数据集上进行了测试.
主要成果:
- 该模型在新鲜花粉上实现了91.2%的平均每类精度.
- 在化石花粉上,性能显著下降,预测过于自信.
- 尽管性能有限,化石数据中的普遍丰富性模式与传统的古生物学家识别一致.
结论:
- 拟议的方法可以作为自动化化石花粉识别的概念证明.
- 目前的模型需要进一步改进,以准确地分类整个化石花粉序列.
- 弥合新鲜花粉和化石花粉之间的数据差距对于推进自动化花粉学至关重要.
