对CNN架构,融合策略和可解释的AI进行比较分析,以对细粒度巨菌进行分类
Mustafa Sevindik1, Aras Fahrettin Korkmaz2, Fatih Ekinci3
1Department of Biology, Faculty of Engineering and Natural Sciences, Osmaniye Korkut Ata University, Osmaniye 80000, Türkiye.
Biology
|December 30, 2025
概括
深度学习可以准确地识别类似的物种. 像双路径网络 (DPN) 这样的先进模型显示出高性能,有助于真菌分类学和生物多样性监测.
科学领域:
- 菌类学 菌类学是指菌类学.
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 在真菌分类和生物多样性监测方面,准确识别形态上相似的宏观真菌是具有挑战性的.
- 现有的方法难以在真菌中进行细粒度的视觉分类.
- 需要自动识别工具来支持分类学和生态学研究.
研究的目的:
- 开发和评估一个深度学习框架,用于自动分类七个形态相似的coprinoid巨物种.
- 为了比较各种最先进的卷积神经网络 (CNN) 和新型融合模型的性能.
- 利用可解释AI (XAI) 技术来理解模型决策过程.
主要方法:
- 使用了1692张高分辨率宏真菌图像的精选数据集.
- 评估了10个最先进的CNN和3个新的融合模型.
- 性能指标包括准确性,马修斯相关系数 (MCC) 和曲线下的面积 (AUC).
- 使用了可解释AI (XAI) 方法,如Grad-CAM和集成梯度.
主要成果:
- 双路径网络 (DPN) 作为单一模型实现了最高准确率 (89.35%).
- Xception和DPN的特征级融合显示出具有竞争力的性能 (88.89%的准确性).
- 较轻的模型 (LCNet,MixNet) 的精度较低 (72.05%).
- XAI证实了模型的重点是关键的形态特征,如帽子和.
结论:
- 深度学习模型,特别是深度架构和融合模型,对于细粒度真菌分类是有效的.
- 开发的框架为自动化真菌识别提供了一个强大的和可解释的工具.
- 这种方法对推进真菌学,生物多样性研究和分类学具有重大意义.
