时间表型/基因型分类的深度学习

作者:谷丰光电 来源: 时间:2018-08-08 10:07:25

结果证明了我们的加入分类方法比使用传统的手工制作图像分析功能和其他加入分类框架的好处。还证明了使用LSTMs来利用时态信息可以进一步提高系统的性能。该框架可以用于其他应用,例如在给定环境条件的植物分类中或用于区分患病植物和健康植物。

植物的高分辨率和高通量的基因型到表型的研究正在进行中,以加速气候适宜作物的育种。近年来,深度学习技术特别是卷积神经网络(CNNs)递归神经网络长-短记忆(LSTMs)在视觉数据识别、分类和序列学习任务中取得了巨大的成功。最近,CNNs已被用于植物分类和表型分析,使用植物的个体静态图像。另一方面,植物的动态行为以及它们的生长对植物生物学家来说是很重要的表现型,这激发了我们研究LSTMs在将这些时间信息编码到加入分类任务方面的潜力,这对于植物生产和护理的自动化是很有用的。

时间表型/基因型分类的深度学习

不同种质序列数据样本

本文中,作者提出了CNN-LSTM框架,用于各种基因型的植物分类。与手工制作的功能相比,作者利用深度CNNs的强大功能进行自动关联特征和分类器学习。此外,还利用LSTMs的潜力来研究植物的生长及其动态行为,作为加入分类的重要鉴别表型。作者收集了4份拟南芥的时间序列图像序列数据集,并在类似的成像条件下采集,可作为该领域研究人员的标准基准。并且作者公开了此项数据。


时间表型/基因型分类的深度学习

左:生长室原始图;右边:相机失真消除和色彩校正步骤后的生长室

结果证明了我们的加入分类方法比使用传统的手工制作图像分析功能和其他加入分类框架的好处。还证明了使用LSTMs来利用时态信息可以进一步提高系统的性能。该框架可以用于其他应用,例如在给定环境条件的植物分类中或用于区分患病植物和健康植物

关键词:深度学习,时态信息,深层特征,加入分类

Plant Methods.Deep phenotyping: deep learning for temporal phenotype/genotype classification.Sarah Taghavi Namin, Mohammad Esmaeilzadeh, Mohammad Najafi, Tim B. Brown and Justin O. Borevitz.