深度学习黑子和模式识别分析使用指导Grad-CAM用于植物体识别
Iban Berganzo-Besga1,2,3, Hector A Orengo1,3,4, Felipe Lumbreras5,6
1Computational Social Sciences and Humanities Department, Barcelona Supercomputing Center (BSC-CNS), Barcelona 08034, Spain.
Annals of botany
|May 30, 2025
概括
像Guided Grad-CAM这样的视觉解释器在深度学习模型中提高了识别植物植物体的透明度. 这项研究验证了传统的识别模式,并揭示了新的属性特征,推进了计算考古学的实践.
科学领域:
- 计算考古学是一种计算考古学.
- 在考古植物学中的深度学习应用.
- 用于植物化石识别的图像分析.
背景情况:
- 深度学习模型,如VGG19,在识别多细胞植物体时充当"黑子".
- 视觉解释器对于理解这些AI模型的决策过程至关重要.
- 传统的考古植物学方法依赖于专家对植物石特征的视觉识别.
研究的目的:
- 将视觉解释器应用于VGG19模型,用于识别来自Avena,Hordeum和Triticum属的植物石.
- 通过突出分类中使用的关键植物体特征来证明模型的学习.
- 将人工智能模型的识别方法与人类考古植物学家的识别方法进行比较.
主要方法:
- 使用了Grad-CAM,引导反向传播和引导Grad-CAM视觉解释技术.
- 使用指导级CAM来突出相关区域,并强调显微镜图像中的细节.
- 将这些方法应用于训练有素的VGG19模型,用于植物体识别.
主要成果:
- 在91%的案例中,波浪模式被确定为关键决策者.
- 86%的阿维纳图像和94%含有乳头的图像中乳头是显著的.
- 状长细胞形状在38%的Triticum图像中是一个独特的特征.
结论:
- 导向Grad-CAM验证了已建立的植物体识别模式,比如波纹的重要性.
- 不同的植物体特征是各个品种的突出特征.
- 树突长细胞形状被确定为一个独特的分类特征.
- 这项研究有助于计算机视觉在计算考古学的最佳实践.
