低标注成本下花粉图像的深度学习：形态特征与训练预测策略的联合优化

《Review of Palaeobotany and Palynology》：Deep learning of pollen images under low annotation costs: joint optimization of morphological features and training and prediction strategies

本文提出了一种创新的深度学习框架，通过构建高质量花粉图像数据集（5,521张/141种）和结构化形态属性表（20个特征），结合改进的ResNet50架构与掩码机制，实现了图像特征与形态数据的有效融合。采用弱标注数据（部分形态特征+未标注图像）与全标注数据联合训练策略，将模型准确率从83.00%提升至89.49%以上，显著增强泛化能力并抑制过拟合，为自动化花粉鉴定提供了可扩展的解决方案。

　　

章节亮点

我们的数据集描述

我们的数据集包含图像数据集和花粉形态属性表两部分：

a) 图像数据集：涵盖79科124属141种的5,521张花粉图像（图1示例如附件）。所有图像均采自第四纪植物花粉样本，经统一缩放至512×512像素并采用数据增强技术（如旋转、翻转、色彩调整）扩充至27,605张。

b) 形态属性表：包含20个标准化形态特征（如极性、对称性、萌发孔类型等），每个特征设3-8个离散值，由专家根据文献标注，形成结构化数据矩阵。

研究方法

ResNet50架构

ResNet（残差网络）通过跳跃连接解决深度网络梯度消失问题，ResNet50包含49个卷积层和1个全连接层（约2,560万参数）。本研究改进其残差块结构，新增形态特征掩码模块：将形态属性编码为向量后，通过门控机制与图像特征加权融合，增强模型对关键形态线索的感知能力。

实验设计

实验环境

系统：Windows11 23H2；框架：PyTorch2.2.2 + CUDA12.1；语言：Python3.8.18；硬件：Intel i7-12700H CPU + NVIDIA RTX 4060 GPU。训练参数：Adam优化器，批次大小32，初始学习率0.0001，迭代100轮。

评估指标

准确率：分类正确的样本占比；F1分数：精确率与召回率的调和平均；AUC值：模型区分能力的综合指标。

讨论

本研究通过引入形态属性表与网络结构优化，显著提升分类性能。轻量模型（如ResNet18）可能欠拟合，而复杂模型（如Vision Transformer）易过拟合。联合训练策略有效利用弱标注数据，降低对全标注数据的依赖，为小样本场景提供新思路。

结论

深度学习驱动的花粉自动鉴定技术正突破传统方法的效率瓶颈。本研究创新的形态属性表征系统与属性-掩码映射机制，为孢粉学与古生态研究提供了高精度、低成本的解决方案。未来可探索多模态数据融合与跨领域迁移学习，进一步拓展应用边界。