Progress towards establishing collection standards for semi-automated pollen classification in forensic geo-historical location applications

دیجیتالیزاسیون تصاویر دانه گرده اجازه ایجاد یک سیستم نیمه اتوماتیک را می دهد که می تواند به متخصصان متخصص در طبقه بندی گرده ها کمک کند. این هزینه و زمان پاسخ را کاهش می دهد و همچنین بهبود بهره وری تحلیلگران را کاهش می دهد. این مسائل به ویژه در برنامه های قانونی مورد انتقاد قرار می گیرند. عوامل متعددی وجود دارد که باید هنگام ایجاد یک پایگاه داده دیجیتالی برای طبقه بندی نیمه اتوماتیک گرده ها مورد توجه قرار گیرد. این مقاله به بررسی برخی از این مسائل از طریق دیدگاه رایانه و ارزیابی یادگیری ماشین می پردازد. مباحث اصلی ارزیابی، طبقه بندی سطح مورفولوژیکی مشابه، اندازه داده های آموزشی بهینه، بهترین شیوه استفاده از داده های سه بعدی، تغییرات دقت به دلیل دسترسی به ابرداده است، یعنی نوسانات اعتماد تحلیل گران به برچسب زدن تاکسی ها و استفاده از داده های فسیلی برای طبقه بندی داده های مدرن. این اولین کاربرد شناخته شده آموزش در مورد داده های فسیلی برای طبقه بندی تاکوس های مدرن است. عملکرد 4/95٪ و 8/93٪ طبقه بندی صحیح بر روی دو مجموعه متمایز از داده های سطح گونه ی مشابه مورفولوژیکی، پیشی می گیرند. ما تعیین کردیم که حداقل 5-10 تصویر آموزشی در هر کلاس برای عملکرد معقول لازم بود. علاوه بر این، ما ثابت کردیم که تمام سطوح ابعاد عمق مربوط به هر دانه مورد نیاز بود تا بهترین عملکرد را به دست آوریم. در نهایت، میزان خطا به دلیل کاهش اعتماد به نفس تحلیلگران و تقریبا سه برابر در استفاده از داده ها از دانه های مختلف سنین دوخت، و بیشتر متمرکز اهمیت فراوانی گسترده است.