Transfer Learning using Hybrid Convolution and Attention Model for Nematode Identification in Soil Ecology
Notice bibliographique
Résumé
Nematodes constitute a crucial component of soil ecosystems, contributing significantly to soil ecology.The ability to differentiate between non-parasitic and plant-parasitic species is a critical aspect of efficient crop management.However, manual identification methods are labor-intensive, time-consuming, and susceptible to errors.Recent developments in the realm of machine and deep learning have paved the way for their application in the field of nematode identification.This study implements a hybrid convolution and attention network, termed CoAtNet-0, which integrates a Convolutional Neural Network (CNN) and a transformer for the identification of nematode genera.The performance of this model is anticipated to be robust across various dataset sizes.The current investigation employed a combined dataset, comprising both a self-collected nematode dataset and a public dataset, to evaluate the performance of CoAtNet-0 under single and double data augmentation conditions.Furthermore, it explored the efficacy of the Adam, Stochastic Gradient Descent (SGD), and RMS optimizers to identify the most effective optimizer for the CoAtNet-0 model.Adam was selected due to its typically satisfactory performance, while SGD was chosen as it often delivers superior results in deep learning applications.RMSprop was utilized for performance comparison among adaptive optimizers devoid of momentum.Upon evaluation, it was determined that the highest performance was achieved by the CoAtNet-0 model using the SGD optimizer on the non-augmented dataset, delivering an accuracy of 97.22%.Thus, the selection of suitable data augmentation methods and an appropriate optimizer is instrumental in optimizing the performance of the CoAtNet-0 model for nematode identification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».