TaxaMargin — vizual jihatdan bir-biriga o‘xshash daraxt turlarini ajratishda biologik taksonomiyani bevosita o‘rganish maqsadiga kiritadigan va ArcFace uslubidagi burchak marjasi tasnifini taksonomik munosabatga moslashtiradigan chuqur o‘rganishga asoslangan tasniflash yondashuvidir. Tadqiqotda GBIF va iNaturalist manbalaridan 12 avlodga mansub 36 daraxt turi uchun muvozanatlangan RGB tasvirlar to‘plami yaratilgan; ImageNet bilan oldindan o‘qitilgan ConvNeXt-Tiny tayanch modeli 256 o‘lchamli L2-normalashtirilgan ifoda vektorlarini hosil qilish uchun nozik sozlangan. TaxaMargin tasvirning eng kuchli noto‘g‘ri raqibi to‘g‘ri tur bilan bir avlodga mansub bo‘lganda kattaroq burchak marjasini qo‘llagan; tur darajasidagi sirg‘aluvchi o‘rtacha prototiplar esa ifoda fazosini qo‘shimcha ravishda tartibga solgan. To‘liq TaxaMargin + prototip tizimi %81,57 tur aniqligi, %90,74 avlod aniqligi va %82,00 macro-F1 ga erishgan; standart softmax konfiguratsiyasiga nisbatan bu ko‘rsatkichlarni mos ravishda 12,57, 11,74 va 15,20 foiz punktga oshirgan.

Tadqiqotning asosiy g‘oyasi biologik tasniflashdagi barcha xatolar bir xil ma’noga ega emasligidir. Bir eman turini boshqa eman turi bilan adashtirish, butunlay boshqa avlodga mansub tur bilan adashtirishga qaraganda taksonomik jihatdan yaqinroq xatodir. TaxaMargin ushbu ierarxik ma’lumotdan o‘qitish vaqtida foydalanib, ayniqsa bir avlodga mansub va vizual jihatdan bir-biriga o‘xshash turlarning ifoda fazosida kuchliroq ajralishini maqsad qiladi.

Natijalar yondashuv tekshirilgan ma’lumotlar to‘plamida ham tur, ham avlod darajasidagi tasnifni yaxshilaganini ko‘rsatadi. Biroq tadqiqot bitta muvozanatlangan ma’lumotlar to‘plamining o‘qitish/validatsiya/test bo‘linishiga asoslanadi; natijalar barcha daraxt turlarida, barcha geografiyalarda yoki real dala qo‘llanmalarida ayni ko‘rsatkich kafolatlanganini anglatmaydi. Bundan tashqari, model ishonchi har doim ham to‘g‘rilikka mos kelmaydi va manbada yuqori ishonch bilan qilingan noto‘g‘ri tasniflar ham qayd etilgan.

Nega daraxt turlarini tasvirdan ajratish qiyin?

Daraxt turini tanib olish biologik xilma-xillik monitoringi, ekologik tadqiqotlar, o‘rmon boshqaruvi, muhofaza rejalashtirish va shahar daraxtlarini baholash uchun muhimdir. Ammo dalada olingan bitta RGB tasvir botanika diagnostikasi uchun zarur bo‘lgan barcha tuzilmalarni bir vaqtning o‘zida ko‘rsatmasligi mumkin. Tasvir faqat bitta barg, tana po‘stlog‘i, shox, gul, meva, qubba yoki toj ko‘rinishini o‘z ichiga olishi mumkin.

Bir xil tur yosh, mavsum, o‘sish bosqichi, salomatlik holati, yorug‘lik, kamera burchagi va atrof-muhit sharoitiga qarab juda turlicha ko‘rinishi mumkin. Bunga qarshi ravishda, bir avlodga mansub yaqin turlar barg shakli, po‘stloq tuzilishi yoki shoxlanish tuzilishi bo‘yicha bir-biriga juda o‘xshashi mumkin. Shunday qilib, muammoda ikki qiyinchilik bir vaqtda yuzaga keladi: tur ichidagi vizual o‘zgaruvchanlik yuqori bo‘lishi mumkin, turlar orasidagi farq esa juda kichik bo‘lishi mumkin.

Taksonomiyaga Sezgir O‘rganish Nega Qo‘llaniladi?

Taksonomiyaga sezgir o‘rganish turlarni bir-biridan mutlaqo mustaqil sinflar sifatida ko‘rish o‘rniga tur–avlod munosabatini o‘rganish muammosiga kiritadi; ushbu tadqiqotda bir avloddagi qiyin raqib turlar uchun kattaroq burchak marjasi qo‘llanib, modelning eng nozik biologik farqlarga ko‘proq ajratish bosimini yo‘naltirishi ta’minlangan.

Ma’lumotlar to‘plamini yaratish

Tasvirlar asosan GBIF va iNaturalist platformalaridan to‘plangan. Buzilgan fayllar, takrorlangan tasvirlar va yetarli vizual ma’lumot bermaydigan namunalar tozalangan. So‘ng har bir tur uchun qat’iy ravishda 300 tasvir tanlangan va sinflar sonining muvozanatlangan bo‘lishi ta’minlangan.

Yakuniy ma’lumotlar to‘plami 12 avlod × har avlodda 3 tur = 36 tur tuzilishidadir.

Har bir tasvir ham tur yorlig‘iga, ham avlod yorlig‘iga ega. Asosiy maqsad tur tasnifidir; avlod yorlig‘i esa taksonomik marjani qurish va avlod darajasidagi samaradorlikni o‘lchash uchun ishlatiladi. Ma’lumotlar tasodifiy ravishda %70 o‘qitish, %20 validatsiya va %10 test quyi to‘plamlariga ajratilgan.

Tasvirni oldindan qayta ishlash va ma’lumotlarni ko‘paytirish

Barcha tasvirlar modelga berilishidan oldin 320 × 320 piksel o‘lchamga keltirilgan. O‘qitish bosqichida modelning dala tasvirlaridagi o‘zgaruvchanlikka chidamliligini oshirish uchun tasodifiy ma’lumot ko‘paytirish amallari qo‘llangan.

Validatsiya va test bosqichida tasodifiy ma’lumot ko‘paytirish ishlatilmagan, deterministik oldindan qayta ishlash qo‘llangan. Shu tariqa baholash natijasining tasodifiy tasvir o‘zgarishlaridan ta’sirlanishining oldi olingan.

ConvNeXt-Tiny xususiyat ajratuvchi

Tasvir xususiyatlarini ajratish uchun ImageNet bilan oldindan o‘qitilgan ConvNeXt-Tiny ishlatilgan. Model timm PyTorch kutubxonasi orqali amalga oshirilgan va daraxt turlari ma’lumotlar to‘plamida qayta o‘qitilgan.

ConvNeXt-Tiny ning asl tasniflash qatlami olib tashlangan va uning o‘rniga to‘liq bog‘langan qatlamlar, GELU aktivatsiyasi va dropout ni o‘z ichiga olgan yangi proyeksiya sarlavhasi o‘rnatilgan. Bu sarlavha har bir tasvirni 256 o‘lchamli xususiyat vektoriga aylantiradi.

Xususiyat vektori keyin L2 normasi bilan normalashtirilib, birlik gipersferada ifodalanadi.

Tenglama (1):

\[ z_i=\frac{u_i}{\|u_i\|_2}, \qquad \bar{w}_k=\frac{w_k}{\|w_k\|_2}, \qquad c_{ik}=z_i^{\top}\bar{w}_k=\cos(\theta_{ik}) \]

Bu yerda \(u_i\), tasvir \(i\) uchun 256 o‘lchamli xom xususiyat vektorini; \(z_i\), normalashtirilgan tasvir ifodasini; \(w_k\), tur \(k\) uchun tasniflagich vaznini; \(c_{ik}\) esa tasvir bilan sinf ifodasi orasidagi kosinus o‘xshashligini bildiradi. Tasniflash logitlarining masshtab koeffitsienti manbada \(s=30,0\) deb berilgan.

TaxaMargin Nima va ArcFace dan Qanday Farq Qiladi?

TaxaMargin — ArcFace ning normalashtirilgan ifoda fazosidagi burchak marjasi prinsipini saqlaydigan, ammo marjani doimiy saqlash o‘rniga eng kuchli noto‘g‘ri raqib to‘g‘ri tur bilan bir avlodga mansub yoki mansub emasligiga qarab o‘zgartiradigan tasniflash sarlavhasidir; bir avloddagi raqib uchun 0,30, boshqa avloddagi raqib uchun 0,18 marja qo‘llanadi.

Eng qiyin noto‘g‘ri sinfni topish

Har bir o‘qitish namunasida avval to‘g‘ri sinfdan tashqari turlar orasida tasvir ifodasiga eng ko‘p o‘xshaydigan raqib izlanadi. Manba matni buni “eng yuqori kosinus o‘xshashligiga ega noto‘g‘ri tur” deb ta’riflaydi.

Manba Tenglama (2) izohi: PDF dagi matematik terishda tanlash operatori yetishmayotgandek ko‘rinadi. Shu sababli bu yerda yetishmayotgan belgi manba nomidan to‘ldirilmaydi. Ishlatilgan algoritmik ta’rif to‘g‘ri turdan tashqari eng yuqori kosinus o‘xshashligiga ega turning eng qiyin manfiy namuna sifatida tanlanishidir.

Bu tanlov o‘qitishda gradient olib o‘tmaydigan amal sifatida qo‘llangan.

Taksonomik marjani tanlash

Tenglama (3):

\[ m_i= \begin{cases} m_{\mathrm{intra}}, & g(h_i)=g(y_i)\\ m_{\mathrm{inter}}, & g(h_i)\neq g(y_i) \end{cases} \]

Bu yerda \(g(\cdot)\) turning mansub avlodini; \(h_i\) eng qiyin noto‘g‘ri raqibni; \(y_i\) to‘g‘ri turni bildiradi.

Manbada qo‘llangan qiymatlar:

\[ m_{\mathrm{intra}}=0,30, \qquad m_{\mathrm{inter}}=0,18 \]

Ya’ni modelning eng kuchli raqibi to‘g‘ri tur bilan bir avlodga mansub bo‘lsa, kattaroq marja qo‘llanadi. Maqsad, masalan, ikkita yaqin Salix yoki ikkita yaqin Ulmus turi orasida kuchliroq ajratishni o‘rganishdir.

Marjani dastlabki uch epoch davomida bosqichma-bosqich ochish

Tenglama (4):

\[ m_i^{(e)}=\alpha_e m_i, \qquad \alpha_e=\min\left(1,\frac{e}{E_m}\right), \qquad E_m=3 \]

Birinchi epoch da maqsad marjasining uchdan biri, ikkinchi epoch da uchdan ikki qismi, uchinchi epoch dan boshlab esa to‘liq marja ishlatiladi. Ushbu warm-up o‘qitishning dastlabki bosqichlarida optimallashtirishni barqarorroq olib borish uchun qo‘llangan.

To‘g‘ri sinfning burchak o‘zgarishi

Tenglama (5):

\[ \phi_i= \cos\left(\theta_{iy_i}+m_i^{(e)}\right) = c_{iy_i}\cos\left(m_i^{(e)}\right) - \sqrt{1-c_{iy_i}^{2}} \sin\left(m_i^{(e)}\right) \]

Bu amal faqat to‘g‘ri sinfga tegishli kosinus qiymatini o‘zgartiradi. To‘g‘ri sinf qaror hududiga yetishni qiyinlashtirish orqali ifodaning o‘z sinf markaziga kuchliroq moslashishi va raqiblardan aniqroq ajralishi rag‘batlantiriladi.

Tenglama (6):

\[ \ell_{ik}^{TM}= \begin{cases} s\phi_i, & k=y_i\\ s c_{ik}, & k\neq y_i \end{cases}, \qquad s=30,0 \]

TaxaMargin o‘zgarishi faqat o‘qitish vaqtida qo‘llanadi; chunki marjani hisoblash haqiqiy tur yorlig‘ini talab qiladi. Validatsiya va test vaqtida normalashtirilgan kosinus logitlari ishlatiladi. Demak, TaxaMargin vazifasi inferensiya paytida yangi qaror qoidasini qo‘llash emas, o‘qitish vaqtida ifoda fazosining geometriyasini shakllantirishdir.

Tur prototipini o‘rganish

Tadqiqot har bir tur uchun alohida prototip vektori saqlaydi. Prototip tegishli turning o‘rganilgan ifoda fazosidagi harakatlanuvchi tayanch markazidir. Maqsad bir turning turli barg, po‘stloq, shox yoki atrof-muhit ko‘rinishlaridan kelgan ifodalarini yanada izchil sinf tuzilishi atrofida tashkil qilishdir.

Prototip yangilanishida eksponentsial sirg‘aluvchi o‘rtacha momentumi:

\[ \mu=0,90 \]

sifatida ishlatilgan.

Ishonch bilan chegaralangan prototip yangilanishi

Har bir tasvirga prototipni yangilashga ruxsat berilmaydi. Optimallashtirish qadamidan keyin burchak marjasi qo‘llanmasdan ikkinchi oldinga o‘tish bajariladi va to‘g‘ri turga berilgan ehtimollik hisoblanadi.

Tenglama (7):

\[ q_i= \left[ \operatorname{softmax} \left(\ell_i^{F,0}\right) \right]_{y_i} \]

Yangilanish faqat:

\[ q_i\ge\tau_p, \qquad \tau_p=0,35 \]

shartida amalga oshiriladi. Bu yerdagi \(q_i\) modelning istalgan sinfga bergan maksimal ehtimoli emas, aynan haqiqiy turga bergan ehtimolidir.

Tenglama (8):

\[ p_c^{new}= \begin{cases} z_i, & \text{prototip henüz başlatılmamışsa}\\[4pt] \dfrac{\mu p_c^{old}+(1-\mu)z_i} {\|\mu p_c^{old}+(1-\mu)z_i\|_2}, & \text{diğer durumda} \end{cases} \]

\[ \mu=0,90 \]

Normalizatsiya tufayli prototip ham tasvir ifodalari va tasniflagich vaznlari bilan bir xil birlik gipersferada qoladi.

Prototip o‘xshashlik logitlari

Tenglama (9):

\[ \ell_{ik}^{P} = s z_i^{\top}\bar{p}_k, \qquad \bar{p}_k= \frac{p_k}{\|p_k\|_2}, \qquad s=30,0 \]

Shu tariqa prototip tarmog‘i tasvirning har bir tur prototipiga bo‘lgan burchak/kosinus o‘xshashligidan ikkinchi bashorat signalini hosil qiladi.

Validatsiya, test va prototip ishonchini hisoblashda tasniflagich va prototip logitlari birlashtiriladi:

Tenglama (10):

\[ \ell_{ik}^{F} = \ell_{ik}^{C} + \lambda_p\ell_{ik}^{P}, \qquad \lambda_p=0,10 \]

Bu yerda \(\ell_{ik}^{C}=s c_{ik}\) — marjasiz kosinus tasniflagich logitidir.

Prototip yo‘qotishining warm-up jarayoni

Tenglama (11):

\[ \beta_e= \min\left(1,\frac{e}{E_p}\right), \qquad E_p=3 \]

Tenglama (12):

\[ \mathcal{L} = \mathcal{L}_{TM} + \beta_e\lambda_p\mathcal{L}_{P}, \qquad \lambda_p=0,10 \]

\(\mathcal{L}_{TM}\) TaxaMargin logitlari bo‘yicha hisoblangan kross-entropiya yo‘qotishini; \(\mathcal{L}_{P}\) esa tur prototipi logitlaridan hisoblangan yordamchi kross-entropiya yo‘qotishini bildiradi.

Bu ikki mexanizm turli vazifalarni bajaradi: TaxaMargin turli turlar, ayniqsa bir avloddagi qiyin raqiblar orasidagi sinflararo ajralishni oshirsa; prototip o‘rganishi bir turning turli tasvirlaridagi sinf ichidagi tartib va ixchamlikni qo‘llab-quvvatlaydi.

O‘qitish strategiyasi

O‘qitish mini-batch larida turlarning muntazam ifodalanishini oshirish uchun weighted random sampler ishlatilgan. Dastlabki tekshiruvlarda qiyin deb aniqlangan turlarga faqat o‘qitish to‘plamida 1,8 faktorli maqsadli oversampling qo‘llangan. Validatsiya va test to‘plamlari ushbu namunalash strategiyasidan ta’sirlanmagan.

Baholash protokoli

Samaradorlik faqat umumiy aniqlik bilan o‘lchanmagan. Tur aniqligi, avlod aniqligi, macro precision, macro recall, macro-F1, vaznlangan precision/recall/F1, tur bo‘yicha ballar va avlod bo‘yicha o‘rtacha F1 hisoblangan.

Shuningdek, beshta nazorat qilinadigan konfiguratsiya taqqoslangan:

1. Standart softmax
2. ArcFace
3. ArcFace + tur prototipi
4. TaxaMargin
5. TaxaMargin + tur prototipi

Barcha konfiguratsiyalar bir xil ma’lumot bo‘linishi, tayanch model, o‘qitish protokoli va baholash metrikalaridan foydalangan; shu sababli ablatsiya taqqoslanishi asosiy komponentlar hissasini bevosita tekshirish uchun mo‘ljallangan.

Ifoda fazosining taksonomik tahlili

Test tasvirlarining 256 o‘lchamli normalashtirilgan ifodalari orasidagi kosinus masofalari uch guruhga ajratilgan:

• Bir turga mansub ikki tasvir
• Bir avlod ichidagi ikki xil tur
• Turli avlodlarga mansub tasvirlar

Shuningdek, 36 tur uchun centroid hisoblangan va centroidlar orasidagi kosinus masofalaridan ikki o‘lchamli Multidimensional Scaling (MDS) vizuallashtirish yaratilgan. MDS faqat vizual tahlil uchun ishlatilgan; miqdoriy masofa taqqoslashlari asl yuqori o‘lchamli ifoda fazosida bajarilgan.

Tadqiqot Usuli va Natijalari

Ablatsiya natijalari

Bu jadval ikki alohida jihatni ko‘rsatadi. Birinchisi, standart ArcFace softmax ga nisbatan sezilarli yaxshilanish bergan. Ikkinchisi, taksonomik marjaning qo‘shilishi ArcFace ustiga qo‘shimcha yutuq keltirgan. Prototip o‘rganishi ArcFace ga qo‘shilganda beradigan o‘sish cheklangan bo‘lsa-da, TaxaMargin bilan birlashtirilganda kattaroq to‘ldiruvchi foyda kuzatilgan.

To‘liq konfiguratsiyaning softmax ga nisbatan farqi:

Tur va avlod darajasidagi samaradorlik

Macro va weighted precision, recall hamda F1 qiymatlarining barchasi taxminan 0,82 darajasidadir. Ayrim turlarda samaradorlik juda yuqori: Abies concolor uchun F1 1,00; Tilia tomentosa va Juniperus sabina uchun 0,95 deb qayd etilgan.

Avlod bo‘yicha eng yuqori o‘rtacha F1 qiymati Juniperus: 0,89; undan keyin Pinus: 0,85, Quercus: 0,84 va Abies: 0,83 keladi. Pastroq o‘rtacha qiymatlar Tilia: 0,78 va Ulmus: 0,78 uchun kuzatilgan.

Manba Populus tremula, Betula pubescens va Tilia cordata kabi ayrim turlar tasniflash uchun qiyinroq bo‘lganini qayd etadi.

O‘rganilgan Ifoda Fazosi Haqiqatan Taksonomik Tuzilmani Ko‘rsatadimi?

Ha, tekshirilgan test ma’lumotlarida o‘rtacha kosinus masofasi bir tur tasvirlarida 0,214, bir avlodga mansub turli turlarda 0,645 va turli avlodlarda 0,763 gacha ortadi; biroq MDS vizuallashtirishida ayrim avlodlarning qisman ustma-ust tushishi taksonomik ajralish barcha guruhlarda mukammal emasligini ko‘rsatadi.

Bu tartib bir tur ifodalarining bir-biriga eng yaqin; bir avlod ichidagi turlarning o‘rtacha darajada ajralgan; turli avlodlarning esa o‘rtacha hisobda uzoqroq joylashganini ko‘rsatadi. Biroq MDS xaritasining markazida ayrim avlodlar ustma-ust tushishi ifoda fazosi biologik taksonomiyani to‘liq va mukammal qayta yaratadi deb talqin qilinmasligi kerak.

Xatolar tasodifiymi yoki taksonomik tarzda tuzilganmi?

Tur darajasidagi xatolarning %46,23 i bir avloddagi boshqa turga, %53,77 si boshqa avloddagi turga qilingan. Shunday qilib, barcha tur xatolarining taxminan yarmi yaqin taksonomik qarindoshlar orasida jamlangan.

Manbaning sifat tahlilida takrorlanadigan ayrim chalkashlik juftlari quyidagilar:

• Salix alba ↔ Salix fragilis
• Ulmus glabra ↔ Ulmus laevis
• Abies alba ↔ Abies nordmanniana

Bu misollar ayrim xatolar modelning mutlaqo aloqasiz turga sakrashidan ko‘ra vizual jihatdan o‘xshash va biologik jihatdan yaqin turlar orasida yuzaga kelishini ko‘rsatadi.

Model Ishonchi Yetarli Bo‘lmasa Nega Avlod Darajasiga Qaytadi?

Confidence-based fallback mexanizmi tur darajasidagi eng yuqori bashorat ishonchi ma’lum chegaradan past bo‘lsa, aniq tur nomi berish o‘rniga kengroq avlod ma’lumotini qaytaradi; manbada 0,95 chegara qiymatida ushbu yondashuv %82,87 fallback aniqligini bergan va bashoratlarning %6,67 qismini avlod darajasiga tushirgan.

Bu yondashuvning maqsadi “ko‘proq bashorat qilish” emas, vizual dalil tur darajasida yetarli bo‘lmaganda ortiqcha aniqlik yaratmaslikdir. Ekologik dala qo‘llanilishida avlod darajasidagi to‘g‘ri ma’lumot noto‘g‘ri tur nomidan foydaliroq bo‘lishi mumkin.

Biroq manba ishonch ballini haqiqiy statistik noaniqlik bilan tenglashtirmaydi. Yuqori ishonch bilan noto‘g‘ri tasniflar ham kuzatilgan. Shuning uchun fallback chegarasi amaliy operatsion qoidadir; kalibrlangan noaniqlik o‘lchovi emas.

Prototip o‘rganishining chegarasi

Har bir tur faqat bitta prototip vektori bilan ifodalanadi. Holbuki, bir xil daraxt turi barg, po‘stloq, qubba, gul, yosh individ, yetuk individ, turli mavsum va turli kamera nuqtai nazarlarida juda turli vizual modlarga ega bo‘lishi mumkin. Shu sababli manba kelajakda har bir tur uchun bir nechta quyi prototipdan foydalanishni mumkin bo‘lgan rivojlantirish yo‘nalishi sifatida muhokama qiladi.

Xuddi shuningdek, TaxaMargin taksonomiyani faqat bir avlod / boshqa avlod ikkilik munosabati orqali ishlatadi. Oila a’zoligi, filogenetik masofa yoki tur xususiyatlarining darajali o‘xshashligi bevosita marjaga kiritilmagan.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Taksonomiyaga sezgir burchak marjasi tekshirilgan ma’lumotlar to‘plamida standart ArcFace ga nisbatan yuqoriroq tur, avlod va macro-F1 samaradorligini bergan.
• Tur prototipini o‘rganish TaxaMargin bilan birga qo‘llanganda qo‘shimcha samaradorlik o‘sishini bergan.
• O‘rganilgan embedding fazosida bir tur, bir avlod va turli avlod juftlari orasida ortib boruvchi kosinus masofasi kuzatilgan.
• Noto‘g‘ri tasniflarning muhim qismi taksonomik jihatdan yaqin turlar orasida sodir bo‘lgan.
• Tur bashoratidan avlod bashoratiga qaytish mexanizmi ishonchi past namunalarda ehtiyotkorroq chiqish hosil qila oladi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Model dunyodagi barcha daraxt turlarida %81,57 aniqlik berishi ko‘rsatilmagan.
• Natijalar mustaqil qit’a, mamlakat, botanika bog‘i yoki yangi dala ma’lumotlar to‘plamida tashqi validatsiya sifatida taqdim etilmagan.
• Modelning yuqori ishonchi biologik to‘g‘rilik kafolati emas.
• MDS grafigidagi vizual klasterlanish filogenetik munosabatning bevosita o‘lchovi emas.
• Model faqat tasvirlardan o‘rganadi; DNA, geografik tarqalish, fenologiya qaydlari yoki ekspert botanika tekshiruvi bilan birlashtirilgan diagnostika tizimi sinovdan o‘tkazilmagan.
• Bitta prototipli tur ifodasi barcha mavsumiy va organ darajasidagi vizual xilma-xillikni to‘liq ifodalashini isbotlamaydi.
• Avlod darajasidagi ierarxiya biologik taksonomiyaning oila va undan yuqori darajalarini modellashtirmaydi.

Ilmiy ma’nosi

Tadqiqotning asosiy hissasi faqat yuqoriroq tasniflash aniqligiga erishish emas. Tadqiqot biologik tasnifning ierarxik tuzilishini sun’iy intellekt modelining o‘qitish geometriyasiga ko‘chiradigan yondashuvni taklif qiladi.

Standart tasniflagich nuqtai nazaridan ikki noto‘g‘ri sinf shunchaki ikki alohida yorliqdir. TaxaMargin nuqtai nazaridan esa “bir avloddagi raqib” bilan “boshqa avloddagi raqib” bir xil qiyinlikda deb qaralmaydi. Model biologik jihatdan yaqin va vizual jihatdan tezroq chalkashadigan turlar orasida kattaroq burchak ajralishini o‘rganishga majbur qilinadi.

Bu yondashuv ayniqsa biologik xilma-xillik tasvirlarida muhim; chunki real dala fotosuratlarida turning farqlovchi organlari har doim ham ko‘rinmasligi mumkin. Model xatolari qaysi taksonomik darajada sodir bo‘layotganini bilish faqat to‘g‘ri/noto‘g‘ri ikkilik metrikasidan ko‘ra tushuntiruvchanroq bo‘lishi mumkin.

Biroq ushbu tadqiqot taksonomik ma’lumot qo‘shish barcha noaniqlikni bartaraf etmasligini ham ko‘rsatadi. Bir avloddagi turlar hanuz sezilarli darajada chalkashadi, ayrim noto‘g‘ri bashoratlar yuqori ishonch bilan beriladi va vizual dalil sifati tasvirlar orasida farqlanadi. Shu sababli TaxaMargin ekspert botanika diagnostikasini almashtirishi isbotlangan tizim emas; u tasvirga asoslangan tur tanish modellarining o‘rganish maqsadini biologik tuzilishga ko‘proq moslashtirishga qaratilgan usuldir.

Manba va Usul Haqida Izoh

Asl tadqiqot: Improving Fine-Grained Tree Species Recognition with Taxonomy-Aware Angular-Margin Learning

Mualliflar: Mohamed Islam KESKES, Mihai Daniel Niţă

Mas’ul muallif: Manba titul sahifasida Mihai Daniel Niţă yulduzcha bilan belgilangan.

Muassasa: Department of Forest Engineering, Forest Management Planning and Terrestrial Measurements, Faculty of Silviculture and Forest Engineering, Transilvania University of Brasov, Brașov, Romania.

Manba turi: Preprint tadqiqot maqolasi.

Platforma: SSRN.

SSRN Abstract ID: 7317101.

Peer-review holati: Taqrizdan o‘tmagan; PDF har bir sahifada buni “Preprint not peer reviewed” deb ko‘rsatadi.

DOI: Manba PDF da ochiq DOI ma’lumoti yo‘q va joriy bibliografik tekshiruvda rasmiy SSRN yozuv sahifasi ishonchli tarzda olinmagani uchun DOI taxmin qilinmagan.

Aniq nashr/yuklash sanasi: Manba PDF da ochiq bibliografik sana yo‘q; tasdiqlanmagan sana qo‘shilmagan.

Litsenziya: Manba PDF da ochiq Creative Commons yoki boshqa qayta foydalanish litsenziyasi ko‘rinmaydi. Shu sababli manba tasvirlari, fotosuratlari va original figura dizaynlari ochiq litsenziyalangan deb qabul qilinmagan.

Ma’lumot manbasi: Asosan GBIF va iNaturalist platformalarida e’lon qilingan RGB biologik xilma-xillik tasvirlari.

Ma’lumotlar to‘plami: 12 avlod, 36 tur, har turga 300 tasvir; %70 o‘qitish, %20 validatsiya, %10 test.

Model: ImageNet-pretrained ConvNeXt-Tiny + 256 o‘lchamli L2-normalized ifoda + TaxaMargin tasniflagichi + ishonch bilan chegaralangan EMA tur prototiplari.

Asosiy o‘qitish parametrlari: AdamW, weight decay 0,05; tayanch model o‘rganish tezligi 1,5 × 10⁻⁴; yangi sarlavhalar 1,5 × 10⁻³; cosine annealing; maksimal 30 epoch; 7 epoch patience bilan early stopping; gradient clipping normasi 1,0.

Asosiy cheklovlar: Bitta tur prototipi, faqat bir-avlod/boshqa-avlod taksonomik ajratish, geterogen ommaviy tasvirlarga bog‘liq vizual dalil farqlari va model ishonchi to‘g‘rilikni kafolatlamasligi.

Manba ichidagi texnik izoh: Tenglama (2) ning e’lon qilingan matematik terilishida eng qiyin manfiy sinfni tanlash operatori yetishmayotgandek ko‘rinadi; matndagi ta’rif “to‘g‘ri sinfdan tashqari eng yuqori kosinus o‘xshashligiga ega tur” tarzida aniq. Shuningdek, usul bo‘limining raqamlanishi 2.5 dan 2.7 ga o‘tadi. Verianla bu nuqtalarni manba nomidan yashirincha qayta yozmagan.

Tasvirlardan foydalanish izohi: Manbadagi pipeline, tur fotosuratlari, samaradorlik jadvallari, MDS xaritasi va chalkashlik matritsalari bevosita ko‘chirilmasligi kerak. Verianla uchun zarur bo‘lsa, faqat hisobotdagi faktik qiymatlar va usul munosabatlaridan foydalanib mustaqil grafik va sxemalar noldan tayyorlanishi kerak.