學生  |  教工  |  校友  |  考生  |  訪客   
English?
  • 新聞網
  • 智慧服務中心
  • 辦公系統
  • 郵箱系統
  • 信息公開

学术学者學生

您的當前位置: 網站首頁  >  学术学者學生  >  正文

陳前軍、劉傑團隊基于人工智能蜘蛛物種分類研究取得進展

作者:生命科学学院   编辑:鲜文涛    来源:生命科学学院  发布时间:2022/08/05

近日,湖北大學生命科学学院陈前军高级实验师与资源环境学院刘杰教授团队联合在计算机科学信息系统顶级期刊Information Sciences(中科院一区顶刊,CCF-B类)上发表题为“Visualizing Deep Networks using Segmentation Recognition and Interpretation Algorithm”(基于分割识别深度网络的可视化算法)的研究论文,提出了一种新型深度神经网络解释算法,用以解决深度神经网络的分类、预测模型的可信解释问题。硕士生丁永昌为第一作者,刘畅和朱海峰为参与作者,陈前军和刘杰为共同通讯作者,湖北大学为第一单位(如图1)。

圖1.文章首頁

隨著機器學習技術的進步,人工智能越來越多地被應用于數據分析和問題決策過程。但由于深度神經網絡“黑盒”特征,它的決策過程很難被簡明扼要地解釋清楚,模型研發者很難讓用戶完全相信決策過程和決策結果,因此理解和解釋深度學習預測模型做出的決策過程在許多領域極具現實價值。研究人員在研究已有解釋算法的基礎上,提出了一種新型的深度卷積神經網絡模型的解釋算法,即采用分割識別總體思路來對模型進行解釋(如圖2)。與其它主流解釋算法相比,該算法能夠對模型預測過程中的正向特征與負向特征進行標注(定性分析),可通過顔色濃度表達和真實標簽的相關程度(定量分析),並且只存在正向傳播、參數量更少,占用更少的硬件資源,卻擁有更快的模型解釋速度等特性。其次,該算法在保證解釋准確性前提下,擁有更好的場景適應性。

图2. NNI-SRI算法思想和流程

研究人員將該算法應用在基于深度學習的蜘蛛性別分類模型中,得到了較好的實驗效果。該解釋算法准確標注出蜘蛛樣本頭胸部的雄蛛觸肢器末端膨大、雌蛛外雌器角質化所在區域(分類學家鑒定雌雄的主要依據),從計算機角度證明了人工智能分類模型的正確性,同時提示著擬遁蛛屬蜘蛛的花紋極有可能存在肉眼不易識別的雌雄二型現象,這一發現目前暫無相關報道,該結論對于學者在蜘蛛的形態分類學研究中具有著指導作用(如圖3)。

图3. NNI-SRI模型解释效果

据悉,刘杰教授团队一直聚焦于蜘蛛经典分类与分子系统学、农田蜘蛛生态学方面的研究,近年来在Pest Management Science, Molecular Phylogenetics and Evolution, Intergrative Zoology, Microorganisms等SCI期刊发表论文35篇,主持国家自然科学基金5项。陈前军老师团队一直从事计算机软件、人工智能基础理论的研究和开发工作,近年来合作研发的葛洲坝人才招聘系统、运百跨境电商管理系统、湖北省公安厅执法资格大规模在线考试系统和湖北文化产业网等信息系统一直运行稳定、效果良好,得到一致好评。

文章鏈接:https://linkinghub.elsevier.com/retrieve/pii/S0020025522008568

(審稿:謝玉平)


湖大微博

湖大微信

湖大官網

    版权所有?湖北大学 2016 湖北大学党委宣传部 地址:湖北省武汉市武昌区友谊大道368号 邮政编码:430062  鄂ICP備05003305    图标鄂公网安备 42010602000204号