Biodiversity Image Quality Metadata Augments Convolutional Neural Network Classification of Fish Species

Das Kapitel untersucht die Rolle von Bildqualitäts-Metadaten bei der Verbesserung der Klassifikationsgenauigkeit von Fischarten mittels konvolutionaler neuronaler Netzwerke (CNNs). Es beginnt damit, den Wert von Metadaten bei maschinellem Lernen und Aufgaben des tiefen Lernens hervorzuheben, insbesondere im Kontext biologischer Probenbildsammlungen. Die Forschung konzentriert sich auf das von der NSF unterstützte Projekt Harnessing the Data Revolution (HDR), Biology-Guided Neural Networks for Discovering Phenotypic Traits (BGNN), das darauf abzielt, neuartige künstliche neuronale Netzwerke zur Klassifizierung von Fischarten und zur Gewinnung morphologischer Daten aus Bildern zu entwickeln. Die Studie zeigt die begrenzte Aufmerksamkeit auf, die der Bildqualität in bestehenden Metadaten-Standards geschenkt wird, und unterstreicht die Notwendigkeit eines gezielten Metadaten-Schemas, um die Bildqualität von Proben zu erfassen. Die Autoren führen eine empirische Analyse anhand einer Stichprobe von 23.807 digitalen Bildern von Fischpräparaten durch und zeigen, dass qualitativ hochwertige Bilder die Klassifikationsgenauigkeit signifikant verbessern. Sie identifizieren auch spezifische Qualitätsanmerkungen, die für die Zuordnungsgenauigkeit am wichtigsten sind. Das Kapitel schließt mit praktischen Empfehlungen zur Bewertung der Bildqualität in Bildspeichern zur Unterstützung maschineller Lernanalysen, was es zu einer wertvollen Ressource für Forscher und Praktiker in diesem Bereich macht.