Применение нейронных сетей для распознавания хитинозой на изображениях
Автор: Якупов Р.Р., Гусманова К.Б.
Журнал: Вестник геонаук @vestnik-geo
Рубрика: Научные статьи
Статья в выпуске: 9 (357), 2024 года.
Бесплатный доступ
Палеонтологическое определение микрофауны с помощью автоматизированного распознавания изображений представляет собой инновационное приложение существующих программных методов анализа и классификации на основе технологий компьютерного зрения и машинного обучения. Разработка программного обеспечения, способного распознавать хитинозои на снимках, упростит и ускорит обработку больших массивов данных по микрофоссилиям. Использование нейронных сетей для анализа изображений возможно и для других групп органических остатков. Хитинозои имеют ряд преимуществ, позволяющих поэтапно оценить применимость технологии автоматизированного распознавания изображений для биостратиграфических задач по сравнению с другими группами микрофоссилий. Искусственная палеонтологическая классификация хитинозой построена на четких морфологических признаках и поддается формализации. На первом этапе решения задач распознавания проводилось построение функции классификации, прогнозирующей, к какому классу принадлежит ископаемое по входному вектору признаков: «хитинозоа» либо «нехитинозоа». Разработанная модель алгоритма распознавания хитинозой показала высокую степень точности (более 98 %).
Хитинозои, распознавание изображений, нейронные сети, машинное обучение, палеонтология
Короткий адрес: https://sciup.org/149146772
IDR: 149146772 | DOI: 10.19110/geov.2024.9.5
Список литературы Применение нейронных сетей для распознавания хитинозой на изображениях
- Гусев А. В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Искусственный интеллект в здравоохранении. 2017. № 3. С. 92—105. URL: https://www.researchgate.net/publication/337923586_Perspektivy_nejronnyh_setej_i_glubokogo_masinnogo_obucenia_v_sozdanii_resenij_dla_zdravoohranenia
- Gusev A. V. Prospects of neural networks and deep machine learning in creating solutions for healthcare. Artificial Intelligence in healthcare. 2017, No. 3, pp. 92—105. (in Russian)
- Журавлев А. В., Груздев Д. А. Анализ изображений шлифов карбонатных обломочных пород с помощью систем на основе искусственного интеллекта // Вестник геонаук. 2024. 6 (354). C. 28—31. DOI: 10.19110/geov.2024.6.3
- Zhuravlev A. V., Gruzdev D. A. Analysis of images of thin sections of carbonate clastic rocks using artificial intelligence-based systems. Vestnik of Geosciences, 2024, 6 (354), pp. 28—31. DOI: 10.19110/geov.2024.6.3 (in Russian)
- EfficientNetV2. URL: https://github.com/google/automl/tree/master/efficientnetv2 (дата обращения: 11.08.2024)
- Gardner K., Joshi R., Kashem M., Pham T., Lu Q., Li W. Label free identification of different cancer cells using deep learning-based image analysis // AIP Publishing 2023, Volume 1, Issue 2 https://doi.org/10.1063/5.0141730
- Gorur K., Ozer C. K., Ozer I., Karaca A. C., Cetin O., Kocak I. Species-Level Microfossil Prediction for Globotruncana genus Using Machine Learning Models // Arabian Journal for Science and Engineering (2023) 48: P. 1315—1332. https://doi.org/10.1007/s13369-022-06822-5
- LeCun Y., Jackel L., Bottou L., Brunot A., Cortes C., Denker J., Drucker H., Guyon I., Muiller U., Sackinger E., Simard P., Vapnik V. Comparison of Learning Algorithms for Handwritten Digit Recognition // International Conference on Artificial Neural Networks, 1995. P. 53—60.
- Marmo R., Amodio S., Cantoni V. 2006 Microfossils shape classification using a set of width values // 18th International Conference on Pattern Recognition, 2006. ICPR 2006 Volume: 1 DOI: 10.1109/ICPR.2006.797
- Paris F. (2006). Chitinozoans: A fascinating and mysterious microfossil-group. Technical-card and direction for use. 81 p. https://doi.org/10.13140/RG.2.1.2462.7682.
- Paris F., & Nõlvak, J. (1999). Biological interpretation and paleobiodiversity of a cryptic fossil group: The “chitinozoan animal”. Geobios, 32, P. 315—324.
- Ruikar T., Agrawal V. L. A Review: Classification of Fossilized Radiolarian image using computational Intelligence Techniques // Journal of Emerging Technologies and Innovative Research February 2019, Volume 6, Issue 2 P. 345—349
- Tan M., Quoc V. Le EfficientNetV2: Smaller Models and Faster Training / Proceedings of the 38 th International Conference on Machine Learning, PMLR 139, 2021. — URL: https://arxiv.org/pdf/2104.00298
- White A., Deep learning in deep time // PNAS — 2020 117 (47) P. 29268—29270: https://www.pnas.org/doi/full/10.1073/pnas.2020870117
