Deep learning black box and pattern recognition analysis using Guided Grad-CAM for phytolith identification
Notice bibliographique
Résumé
BACKGROUND AND AIMS: In this article, visual explainers are applied to give transparency to the black box of a trained VGG19 model for the identification of multi-cell phytoliths of the Avena, Hordeum and Triticum genera. The aim is to demonstrate its proper learning by visually highlighting the phytolith characteristics that the deep learning model uses to classify these phytoliths; we then compare the model's methods with those employed manually by archaeobotanists. METHODS: The visual explainers used for this purpose are Grad-CAM, Guided Backpropagation and Guided Grad-CAM, the last being a combination of the previous two. This combined tool not only highlights the most relevant regions when classifying phytoliths on microscope images, but also emphasizes every detail within those areas. KEY RESULTS: The importance of the wave pattern as a decision-maker (key identifying characteristic) when classifying phytoliths has been demonstrated for 91 % of the microscope images. Similarly, the papillae have been a key in 86 % of Avena images, in 94 % when images included papillae, and the dendritic long-cell shape in 38 % of Triticum images. CONCLUSIONS: The analysis of the microscope images using Guided Grad-CAM has validated the established patterns in phytolith identification, such as highlighting the significance of the wave pattern. Additionally, it revealed that varying phytolith characteristics might be prominent for different genera and led to the discovery that dendritic long-cell shape, as an independent category, is also distinctive. This research is part of an effort to establish a set of computer vision best practices in computational archaeology.
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 | 0,001 |
| 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 ».