走向ROXAS AI:作为解剖图像中的回归,自动对多物种环边界进行细分
Marc Katzenmaier1,2, Vivien Sainte Fare Garnot1, Jan Dirk Wegner1
1EcoVision Lab, Department of Mathematical Modeling and Machine Learning, University Zurich, Zurich, Switzerland.
Frontiers in plant science
|May 21, 2025
概括
这项研究引入了一种新的代回归方法,用于精确的树环细分,显著提高了从树环解剖学的气候重建的准确性. 该方法提高了数据生成效率,并减少了手工验证工作.
科学领域:
- 登德罗年代学 登德罗年代学
- 有关木材的定量解剖学 (QWA)
- 图像分析 图像分析
背景情况:
- 量化木材解剖学 (QWA) 对于气候重建和了解树木对环境变化的反应至关重要.
- 目前的QWA数据生产是耗时的,需要专门的设备和专业知识.
- 解剖图像的自动化分析,特别是细胞和环状细分,仍然是一个瓶.
研究的目的:
- 开发一种更精确,更可靠的自动树环细分方法.
- 为了应对在北极苗灌木中细分圆环结构的挑战,包括狭窄和结的环.
- 提高QWA数据生成的效率和准确性.
主要方法:
- 开发了一种基于代回归的新方法,用于自动环区分.
- 该方法在微观灌木横截面 (MiSCS) 数据集上进行了测试,重点关注具有挑战性的圆环结构.
- 不确定性估计被纳入了细分过程.
主要成果:
- 与MiSCS数据集上以前的方法相比,在平均回忆中实现了高达18.7个百分点的性能提升.
- 不确定性估计功能可以实现更快,更有针对性的验证,减少人力劳动.
- 多物种训练使未见物种的全视质量表现翻了一番.
结论:
- 新的代回归方法显著提高了树环细分的精度和可靠性.
- 开发的方法在QWA数据生成效率上提供了显著的改进.
- 这项工作是迈向基于人工智能的QWA分析解决方案的关键一步,有可能取代或增强ROXAS等现有软件.
