ستساعدك المقالة التالية: تقترح دراسة جديدة تحديدًا تصنيفيًا تلقائيًا استنادًا إلى مجموعة بيانات الصور الأحفورية (415000 صورة) والشبكات العصبية التلافيفية العميقة
علم الحفريات هو مجال رائع يساعدنا على فهم تاريخ الحياة على الأرض من خلال دراسة أشكال الحياة القديمة وتطورها. ومع ذلك ، فإن أحد التحديات الرئيسية في أبحاث علم الأحافير هو عملية تحديد التصنيف كثيفة العمالة وتستغرق وقتًا طويلاً ، والتي تتطلب معرفة وخبرة واسعة في مجموعة تصنيفية معينة. علاوة على ذلك ، يجب أن تكون نتائج تحديد الهوية في كثير من الأحيان أكثر اتساقًا عبر الباحثين والمجتمعات.
ظهرت تقنيات التعلم العميق كحل واعد لدعم التحديد التصنيفي للحفريات. في هذا السياق ، نشر فريق بحث صيني مؤخرًا مقالًا يستكشف إمكانات التعلم العميق لتحسين دقة تحديد التصنيف.
تتمثل المساهمة الرئيسية لهذه الورقة في إنشاء مجموعة بيانات كبيرة وشاملة للصور الأحفورية (FID) والتحقق من صحتها باستخدام برامج زحف الويب والتنظيم اليدوي. تتضمن مجموعة البيانات 415339 صورة من 50 مجموعة مختلفة من الأحافير ، بما في ذلك اللافقاريات والفقاريات والنباتات والحفريات الدقيقة والحفريات الأثرية. تم استخدام شبكة عصبية تلافيفية (CNN) لتصنيف الصور الأحفورية وحققت دقة تصنيف عالية ، مما يدل على إمكانات FID لتحديد وتصنيف الحفريات الآلي. قام المؤلفون أيضًا بإتاحة FID للجمهور للاستخدام والتطوير في المستقبل.
تبحث هذه الدراسة بشكل تجريبي في استخدام التعلم بالنقل مع النماذج المدربة على ImageNet لتحديد وتصنيف الأحافير في قاعدة بيانات الصور الأحفورية (FID). وجد المؤلفون أن تجميد نصف طبقات الشبكة كمستخلصات مميزة وتدريب الطبقات المتبقية أسفر عن أفضل أداء. كانت زيادة البيانات والتسرب من الطرق الفعالة لمنع فرط التجهيز ، في حين أن تسوس معدل التعلم المتكرر وأحجام مجموعات التدريب الكبيرة ساهمت في تقارب أسرع ودقة عالية. درست الدراسة أيضًا تأثير البيانات غير المتوازنة على الخوارزمية وطرق أخذ العينات المستخدمة للتعلم غير المتوازن. كانت جودة مجموعة البيانات مهمة لتحديد دقيق ، حيث كان أداء الأحافير الدقيقة جيدًا نظرًا لتوفر صور عالية الجودة ، بينما كان أداء بعض الأحافير ذات الحفظ السيئ وقليل من العينات سيئًا. وجد المؤلفون أيضًا أن التنوع المورفولوجي الكبير داخل الصف لبعض الأغطية أعاق دقة تحديد الهوية بسبب صعوبة بنية DCNN في استخراج الخصائص التمييزية.
حققت بنية Inception-ResNet-v2 متوسط دقة 0.90 في مجموعة بيانات الاختبار عند استخدام تعلم النقل. وسجلت الحفريات الدقيقة والحفريات الفقارية أعلى درجات دقة تحديد 0.95 و 0.90 على التوالي. ومع ذلك ، فإن التكوينات مثل الإسفنج ، والطحالب ، والحفريات الأثرية ، التي تحتوي على أشكال مختلفة أو عينات قليلة في مجموعة البيانات ، كانت دقة تحديدها أقل من 0.80.
في الختام ، أظهرت تقنيات التعلم العميق ، ولا سيما التعلم التحويلي ، نتائج واعدة في تحسين دقة وكفاءة التحديد التصنيفي للحفريات. يعد إنشاء مجموعة بيانات كبيرة وشاملة للصور الأحفورية والتحقق من صحتها ، مثل قاعدة بيانات الصور الأحفورية (FID) ، أمرًا بالغ الأهمية لتحقيق دقة عالية في تحديد الهوية. إن إتاحتها للاستخدام العام وتطويرها مفيد للنهوض بمجال علم الحفريات. ومع ذلك ، فإن دقة نماذج التعلم العميق تعتمد على جودة مجموعة البيانات وتنوعها ، مع وجود بعض الكتل التي تشكل تحديات بسبب تنوعها المورفولوجي داخل الصف أو سوء حفظها. مزيد من البحث والتطوير في تقنيات التعلم العميق ومجموعات بيانات الصور الأحفورية واسعة النطاق ضرورية للتغلب على هذه التحديات وتحسين دقة وكفاءة أبحاث الحفريات.
علاوة على ذلك ، يمكن لتقنيات التعلم العميق في علم الحفريات أن تحول المجال إلى ما بعد التحديد التصنيفي. يمكن لهذه التقنيات استخراج المزيد من المعلومات من البيانات الأحفورية ، مثل تجزئة الأحافير وإعادة بنائها ، ودمج البيانات الأحفورية مع أنواع أخرى من البيانات ، واكتشاف الأنماط والشذوذ في مجموعات البيانات الأحفورية واسعة النطاق. يوسع هذا فهمنا لتاريخ الحياة على الأرض ، مما يمهد الطريق لاكتشافات وتطورات مثيرة.
