相关实验视频
Updated: Jul 18, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
使用监督学习和基于深度学习的特征提取的综合方法来识别Conos物种
Noshaba Qasmi1, Rimsha Bibi1, Sajid Rashid1
1National Center for Bioinformatics, Quaid-i-Azam University, Islamabad, Pakistan.
PloS one
|December 9, 2024
概括
这项研究引入了一种组合学习方法,将随机森林 (RF) 和XGBoost (XGB) 结合起来,以使用贝图像准确识别形牛 (Conus) 种类. 射频达到了95.78%的精度,证明了海洋脚动物的有效分类.
科学领域:
- 海洋生物学 海洋生物学
- 计算生物学 计算生物学
- 纳税学是一种分类学.
背景情况:
- 圆牛 (Conus) 是一个分类学上的挑战,因为它们的外在950多种物种中都有相似之处.
- 准确的鉴定对于了解海洋类动物的多样性和生态至关重要.
研究的目的:
- 开发和评估一套集体学习策略,用于自动化牛的分类.
- 为了比较随机森林 (RF) 和XGBoost (XGB) 分类器在此任务中的性能.
主要方法:
- 利用了47600张形牛图像 (224x224像素) 的数据集,以80:20的火车测试分割.
- 应用预处理,转换和深度学习 (VGG16) 用于特征提取.
- 实施并比较了随机森林 (RF) 和XGBoost (XGB) 组合方法.
主要成果:
- 与XGBoost.相比,随机森林 (RF) 在识别Conos物种方面取得了更高的准确性 (95.78%的精度).
- 该模型表现出最佳性能,曲线下的面积 (AUC) 为0.99.
- 学习和验证曲线表明了一个训练有素的模型,具有有效的概括和最小的过拟合.
结论:
- 拟议的集体学习方法,特别是RF,为牛的识别提供了强大而准确的方法.
- 该模型的性能表明,该模型可能适用于其他软体动物数据集的分类学表征.
- 交互式可视化被用来展示发现,增强数据的解释.
