Automated analysis of foraminifera fossil records by image classification using a convolutional neural network
Automated analysis of foraminifera fossil records by image classification using a convolutional neural network
复制标题
使用卷积神经网络通过图像分类自动分析有孔虫化石记录
DOI：
10.5194/jm-39-183-2020
复制
发表时间：
2020
影响因子：
2
通讯作者：
T. de Garidel
中科院分区：
文献类型：
--
作者：
R. Marchant;M. Tetard;Adnya Pratiwi;M. Adebayo;T. de Garidel
抽象。在体视显微镜下人工鉴定有孔虫形态种或形态型对微体古生物学家来说是耗时的，对非专业人士来说是不可能的。因此，一个长期的目标是自动化这个过程，以提高其效率和可重复性。计算硬件的最新进展已经使深度卷积神经网络成为基于图像的自动分类的最先进技术。在这里，我们描述了一种使用卷积神经网络对大型有孔虫图像集进行分类的方法。在公开的Endless Forams图像集上证明了分类器的构建，其最佳准确度约为90%。一个完整的自动分析进行底栖物种的最后一个冰消期的沉积物芯从东北太平洋和从现在到180 000年前的核心从西太平洋暖池的浮游物种。基于超过50万张图像的自动计数的相对丰度与手动计数相比毫不逊色，显示出相同的信号动态。我们的工作流程为基于计算机图像分析的自动古海洋学重建开辟了道路，并可免费使用。
Abstract. Manual identification of foraminiferal morphospecies or morphotypes under stereo microscopes is time consuming for micropalaeontologists and not possible for nonspecialists. Therefore, a long-term goal has been to automate this process to improve its efficiency and repeatability. Recent advances in computation hardware have seen deep convolutional neural networks emerge as the state-of-the-art technique for image-based automated classification. Here, we describe a method for classifying large foraminifera image sets using convolutional neural networks. Construction of the classifier is demonstrated on the publicly available Endless Forams image set with a best accuracy of approximately 90 %. A complete automatic analysis is performed for benthic species dated to the last deglacial period for a sediment core from the north-eastern Pacific and for planktonic species dated from the present until 180 000 years ago in a core from the western Pacific warm pool. The relative abundances from automatic counting based on more than 500 000 images compare favourably with manual counting, showing the same signal dynamics. Our workflow opens the way to automated palaeoceanographic reconstruction based on computer image analysis and is freely available for use.
登录
查看更多内容
影响因子：
1.9
作者：
Mitra, R.;Marchitto, T. M.;Lobaton, E.
通讯作者：
Lobaton, E.
影响现代大孔浮游有孔虫鉴定一致性和准确性的因素
影响因子：
2
作者：
Fenton I
通讯作者：
Fenton I
有孔虫识别图像分类算法的比较研究
DOI：
10.1109/ssci.2017.8285164
发表时间：
2017
期刊：
2017 IEEE Symposium Series on Computational Intelligence (SSCI
影响因子：
--
作者：
Zhong, Boxuan;Ge, Qian;Kanakiya, Bhargav;Marchitto, Ritayan Mitral;Lobaton, Edgar
通讯作者：
Lobaton, Edgar
通过 3D 和深度特征进行从粗到细的有孔虫图像分割
DOI：
10.1109/ssci.2017.8280982
发表时间：
2017
期刊：
2017 IEEE Symposium Series on Computational Intelligence (SSCI
影响因子：
--
作者：
Ge, Qian;Zhong, Boxuan;Kanakiya, Bhargav;Mitra, Ritayan;Marchitto, Thomas;Lobaton, Edgar
通讯作者：
Lobaton, Edgar