LMFM-12 淡水微藻光学显微图像数据集
数据集简介
数据来源与构建背景
LMFM-12 由马来西亚理工大学马来西亚日本国际工学院(Malaysia Japan International Institute of Technology, Universiti Teknologi Malaysia)、九州工业大学(Kyushu Institute of Technology)与筑波大学(University of Tsukuba)的研究者共同构建。作者包括 Aimi Alina Binti Hussin、Mohd Ibrahim Shapiai、Shaza Eva Mohamad、Koji Iwamoto、Mohd Farizal Kamaroddin 与 Kazuhiro Takemoto,成果发表于《Ecological Informatics》第 94 卷(文章编号 103655)。
数据集聚焦淡水微藻在光学显微镜下的形态多样性,旨在为深度学习分类方法提供可复现的基准数据,并支撑迁移学习与表征相似性分析。
图像规模与类别组织
数据集共包含 7,555 张经筛选的光学显微图像,覆盖 12 个淡水微藻物种,图像采集于多种放大倍数,以体现同一物种在不同观察条件下的形态差异。压缩包 LMFM_12.zip 内按物种建立 12 个子文件夹,文件夹名称采用各物种在 NIES 的登录编号,便于与藻种保藏信息对照。
12 个物种如下:
- Closterium gracile
- Coelastrum morus
- Micrasterias crux-melitensis
- Pediastrum duplex
- Planctonema lauterbornii
- Scenedesmus acutus
- Scenedesmus bijuga
- Selenastrum gracile
- Spirogyra majuscula
- Stigeoclonium sp.
- Tetradesmus dimorphus
- Treubaria triappendiculata
所有图像按 7:2:1 的比例划分为训练集、验证集与测试集,可直接用于分类模型的训练与评估。
配套代码与预训练模型
GitHub 仓库 aimialina/LMFM-12 提供完整的使用资源,主要目录与文件包括:
train_all_models.py:批量训练脚本,覆盖论文中比较的七种 CNN 架构;test.py:模型测试与评估脚本;lmfm_rd_weights:三个表现最佳模型的预训练权重;svcca_codes:SVCCA 表征相似性分析代码;supplementary_material:论文补充材料;README.md:仓库说明与使用指引。
模型实现基于两个模型库:Timm 与 Torchvision。研究比较了七种 CNN 架构在随机初始化与 ImageNet 迁移学习两种设置下的分类表现,并通过 SVCCA 分析网络表征、借助 Grad-CAM++ 观察模型注意力分布。
获取方式与引用
数据集通过 Zenodo 开放获取,DOI 为 10.5281/zenodo.18334068,下载文件为 LMFM_12.zip(1.6 GB)。Zenodo 记录显示创建日期为 2026 年 1 月 24 日,最新版本为 v3,修改日期 2026 年 5 月 1 日;该记录统计的总数据量为 166.0 GB,包含全部版本。数据采用知识共享署名 4.0 国际许可协议(CC BY 4.0),GitHub 代码仓库同样公开可访问。
使用本数据集时建议引用:Hussin, A. A. B., Shapiai, M. I., Mohamad, S. E., Iwamoto, K., Kamaroddin, M. F., & Takemoto, K. (2026). A morphologically diverse freshwater microalgae dataset for deep learning-based classification with transfer learning analysis. Ecological Informatics, 94, 103655.