27、浮游生物分类：结合手工特征与深度学习的创新方法

浮游生物分类：结合手工特征与深度学习的创新方法

1 引言

浮游生物分类在海洋生态系统研究中具有重要意义。目前，浮游生物分类方法主要分为手工特征方法和深度学习方法。手工特征方法基于人类经验设计特征描述符，如SIFT和LBP；深度学习方法则以卷积神经网络（CNN）为代表，在图像分类等领域表现出色。本文提出一种结合手工特征描述符和深度学习网络的浮游生物分类方法，旨在充分发挥两者优势，提高分类性能。

2 相关工作

浮游生物分类的早期方法主要集中在手工特征提取和分类器设计，近年来深度学习方法逐渐兴起。以下是一些代表性方法的总结：
| 方法 | 特征 | 分类器 | 数据集 |
| — | — | — | — |
| [11] (1998) | 纹理 + 形状 | 学习向量量化分类器 | VPR数据集（2000张图像，7类） |
| [12] (2005) | 共生矩阵 | SVM | VPR数据集（2000张图像，7类） |
| [3] (2010) | Zooscan特征（形状、统计） | 6种分类方法融合 | Zooscan数据集（5000张图像，30类） |
| [13] (2014) | 拼接形状特征 | 成对非参数判别分析 | SNIPPER数据集（3119张二值图像，7类） |
| [14] (2015) | Zooscan特征 + 特征选择 | 梯度提升随机森林分类器 + SVM | CalCOFI浮游生物（>700,000张图像，24类） |
| [15] (2016) | SURF + LBP | SVM | 浮游植物数据集（1500张图像，5类） |
| [7] (201