Обзор применения алгоритмов машинного обучения к задаче классификации пыльцевых зерен

Аннотация

В статье приводится аналитический обзор мирового опыта применения алгоритмов машинного обучения к задаче классификации пыльцевых зёрен, за последние несколько лет. Кратко описаны, какие характеристики используются для моделей машинного обучения относительно данной задачи. Введено понятие «Вычислительно мотивированной биологии» — области, в которой изучается биология для моделирования биологических систем с использованием компьютерных наук. Для этого исследователи анализируют поведение биологической системы, а затем создают задачи в качестве искусственной модели, чтобы облегчить задачу людям. В настоящее время автоматическая классификация для идентификации пыльцы становится очень активной областью исследований. В статье обоснована задача автоматизации классификации пыльцевых зерен. В работе в основном проанализированы последние исследования по применению нейронных сетей различных конфигураций для классификации пыльцевых зерен (LeNet, AlexNet, DenseNet, DenseNet-201, ResNet-50). Проанализированы методы на основе сверточных нейронных сетей (CNN) для идентификации пыльцы на предметных стеклах микроскопа, которые дали многообещающие результаты даже при наличии грибковых спор, пузырьков, мусора и пыли. Приведены сверточные нейронные сети, которые обрабатывали сигналы рассеяния и флюорисценции от пыльцевых зерен. Флюорисцентный спектр обрабатывался с помощью многослойного перцептрона. Рассмотрен метод автоматизированной кластеризации пыльцевых зерен, который дал многообещающие результаты. Произведен сравнительный анализ существующих на сегодняшний день баз данных пыльцевых зерен (Duller’s Pollen Dataset, Pollen 23E, Pollen73S, Pollen 13K). Приведены и проанализированы результаты конкурса по автоматизации процесса классификации пыльцевых зерен Pollen Grain Classification Challenge.