Abstract
Данное исследование посвящено задаче автоматической многоклассовой классификации микроскопических изображений бактерий. В работе использован набор данных, включающий 2034 микроскопических изображения, представляющих 33 таксономические группы бактерий. Для обеспечения корректности эксперимента была проведена проверка целостности данных, а также выполнено строгое разбиение на обучающую, валидационную и тестовую выборки с целью исключения утечки информации. Для количественного описания качества и структурных характеристик изображений были вычислены следующие признаки: яркость, контраст, энтропия Шеннона, дисперсия Лапласиана и энергия градиента Собеля. Их различающая способность между классами была проанализирована с использованием критерия Краскела–Уоллиса, что подтвердило статистически значимые различия между таксонами. Качество классификации оценивалось с применением как классических алгоритмов машинного обучения, так и современных архитектур глубокого обучения. Дополнительно была разработана гибридная модель на основе метода multiple instance learning, позволяющая более эффективно учитывать локальные структурные особенности микроскопических