Morphological classification of neurons based on Sugeno fuzzy integration and multi-classifier fusion
Notice bibliographique
Résumé
In order to extract more important morphological features of neuron images and achieve accurate classification of the neuron type, a method is proposed that uses Sugeno fuzzy integral integration of three optimized deep learning models, namely AlexNet, VGG11_bn, and ResNet-50. Firstly, using the pre-trained model of AlexNet and the output layer is fine-tuned to improve the model's performance. Secondly, in the VGG11_bn network, Global Average Pooling (GAP) is adopted to replace the traditional fully connected layer to reduce the number of parameters. Additionally, the generalization ability of the model is improved by transfer learning. Thirdly, the SE(squeeze and excitation) module is added to the ResNet-50 variant ResNeXt-50 to adjust the channel weight and capture the key information of the input data. The GELU activation function is used to better fit the data distribution. Finally, Sugeno fuzzy integral is used to fuse the output of each model to get the final classification result. The experimental results showed that on the Img_raw, Img_resample and Img_XYalign dataset, the accuracy of 4-category classification reached 98.04%, 91.75% and 93.13%, respectively, and the accuracy of 12-category classification reached 97.82%, 85.68% and 87.60%, respectively. The proposed method has good classification performance in the morphological classification of neurons.
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 | 0,001 | 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 ».