深度学习与海洋生物学相遇:优化融合特征和LIME驱动的洞察力,用于自动化浮游生物分类
Muhammad Hassan1, Giovanna Salbitani1, Simona Carfagna1
1Department of Biology, University of Naples Federico II, Naples, Italy.
Computers in biology and medicine
|May 2, 2025
概括
这项研究引入了一种先进的AI模型,用于准确的浮游生物分类,改进海洋生态系统分析. 改进后的模型达到98.79%的准确性,有助于生态调查和保护工作.
科学领域:
- 海洋生物学 海洋生物学
- 计算科学 计算科学
- 人工智能的人工智能
背景情况:
- 浮游生物是海洋食物网中至关重要的初级生产者.
- 传统的浮游生物识别是缓慢的,劳动密集的,容易出错.
- 深度学习提供了自动化,但在准确性和有限的数据方面存在困难.
研究的目的:
- 开发一个更准确和可解释的自动化浮游生物分类模型.
- 为了提高浮游生物识别的计算效率.
- 支持大规模的生态调查和水质监测.
主要方法:
- 在WHOI数据集上使用了Trained InceptionResNetV2 (转移学习) 和DeepPlanktonNet (从头开始) 模型.
- 实现了特征融合,将模型输出结合起来,以获得更丰富的特征表示.
- 利用鱼优化算法 (WOA) 进行高效的特征选择和局部可解释模型-不可知解释 (LIME) 进行模型解释性.
主要成果:
- 获得了98.79%的分类准确度,超过了以前的先进方法.
- WOA特征选择减少了计算成本和推断时间.
- 通过对优化功能的九个机器学习分类器进行训练来证实这种稳定性.
结论:
- 拟议的模型显著提高了浮游生物分类的准确性和速度.
- 这使得生态调查,水质监测和生物多样性研究的自动化更可靠.
- 通过加强数据分析,这些进展支持海洋保护和资源管理.
