Достижения в области автоматизированной визуализации позволили расширить данные как с точки зрения количества, так и качества. Это побудило к созданию планктонных систем для получения информации об уровне видов сообществ. Тем не менее, проверка огромного количества данных была проблемой для людей и компьютеров. Данная магистерская работа посвящена визуальной кластеризации данных изображений планктона путем внедрения и применения современных методов кластеризации для наборов данных изображений планктона. Эти данные были собраны из Балтийского моря с использованием проточного цитометра. Чтобы сформировать кластеры, сначала функции были извлечены с использованием CNN AlexNet и ResNet-18. Результат каждого CNN был сгруппирован с использованием иерархического алгоритма и алгоритма K-средних и оценен путем проверки уровня чистоты каждого метода кластеризации. Результат показывает, что для небольшого числа классов метод K-средних основан на извлеченных признаках, использование ResNet-18 имеет наивысший уровень чистоты, однако иерархический метод показывает более высокую чистоту в случае, если количество кластеров мало. С другой стороны, иерархический метод показывает лучшие показатели чистоты, когда число классов огромно.

Advancements in automated imaging has made it possible to augment the data both in terms of quantity and quality. This has prompted the development of planktonic systems for acquiring the species level information of the communities. However, screening the huge amount of data has been a challenge for both humans and computers alike. This Master’s thesis project is focusing on visual clustering of plankton image data, by implementing and applying state-of-the-art clustering methods on plankton image data sets. These data set were collected from the Baltic Sea using an imaging flow cytometer. In order to form the clusters, first the features were extracted using AlexNet and ResNet-18 CNNs. The resultant of each CNN was clustered using Hierarchical and K-means algorithm and evaluated by checking the purity level of each clustering method. The result shows that for a small number of classes the K-means method based on features extracted using ResNet-18 has the highest level of purity, however the Hierarchical method shows higher purity in case the number of clusters is low. On the other hand, the Hierarchical method shows better purity measures when the number of classes is huge.

• LIST OF ABBREVIATIONS
• INTRODUCTION
• PHYTOPLANKTON IMAGE ANALYSIS
  • Phytoplankton taxonomy
  • Automatic plankton recognition
• DEEP IMAGE CLUSTERING
  • Image clustering
  • Convolutional neural networks
    • Convolution Layer
    • Pooling Layer
    • Fully-connected Layer
  • CNN-based image clustering
• PLANKTON IMAGE CLUSTERING
  • Clustering pipeline
    • Preprocessing
    • Feature Extraction
    • Clustering
  • CNN-based feature extraction
    • AlexNet
    • Resnet18
  • Clustering
    • Hierarchical clustering
    • K-means clustering
• EXPERIMENTS AND RESULTS
  • Data
  • Evaluation criteria
  • Description of experiments
  • Results
• DISCUSSION
  • Current study
  • Future work
• CONCLUSION
• REFERENCE LIST