Artificial Intelligence-powered fossil shark tooth identification: Unleashing the potential of Convolutional Neural Networks

人工智能正在影响所有领域的知识。特别是，深度学习范式使得可以开发数据分析工具，支持各种领域的专家，从物理学到古代语言的识别。古生物学现在也在观察这一趋势。本研究探讨了卷积神经网络（CNNs）的能力，这是一类专门为计算机视觉任务而设计的深度学习算法，用于对来自在线数据集以及作者在秘鲁中新世和意大利上新世化石聚集地收集的孤立鲨鱼牙齿图像进行分类。包含在最终组合数据集中的鲨鱼分类（超过一千张图像）代表了已灭绝和现存的属，即Carcharhinus、Carcharias、Carcharocles、Chlamydoselachus、Cosmopolitodus、Galeocerdo、Hemipristis、Notorynchus、Prionace和Squatina。我们开发了一个名为SharkNet-X的CNN，专门针对我们的识别任务，通过应用聚类技术t-SNE，实现了从图像中提取的特征的可视化。此外，为了理解和解释CNN的行为并从古生物学的角度对结果进行解释，我们引入了可解释性方法SHAP。据我们所知，这是该方法首次应用于古生物学领域。本研究的主要目标是展示深度学习技术如何帮助识别孤立的化石鲨鱼牙齿，为开发自动识别和分类化石的新信息工具铺平道路。

本论文旨在探讨卷积神经网络（CNN）在分类孤立化石鲨鱼牙齿图像方面的能力，以及应用SHAP方法解释CNN的行为。

本论文开发了一种名为SharkNet-X的CNN，经过5倍交叉验证，可以识别包含单个鲨鱼牙齿的图像，平均准确度为0.85。此外，通过应用聚类技术t-SNE，对CNN从图像中提取的特征进行了可视化，同时引入SHAP方法解释CNN的行为。

本论文的亮点包括开发了一种特定于该识别任务的CNN，使用了超过1000张图像的组合数据集进行训练和测试，并引入了SHAP方法解释CNN的行为。此外，通过可视化CNN从图像中提取的特征，可以更好地理解CNN的行为。

最近的相关研究包括使用CNN进行化石分类的其他研究，如《应用卷积神经网络对化石进行分类和识别》。