超越图像分类：利用深度向量空间嵌入进行浮游动物识别
计算机视觉与模式识别
2019-09-26 v1 机器学习
摘要
浮游动物图像如同许多其他真实世界数据类型，具有使有效分类系统设计困难的内在属性。例如，实际场景中遇到的类别数量可能非常庞大，且类别可能模糊或重叠。此外，研究者之间及机构之间所采用的分类学选择常有差异。尽管使用标准分类器架构在基准上已取得高准确率，但当输出用于生态系统评估与监测时，由不灵活分类方案引起的偏差可产生深远影响。本文提出使用深度卷积网络构建浮游动物图像的向量嵌入。该系统将每幅图像映射（嵌入）至高维欧几里得空间，使向量间距离反映图像间的语义关系。我们展示该嵌入可用于导出与特定分类器相当准确度的分类，同时揭示数据中重要结构。进而，我们将该嵌入应用于系统此前未见过的新类别，并评估此类情形下的分类性能。传统神经网络分类器在类别先验明确定义且具足够大标注数据集时表现良好。对生态学及许多其他领域的实际情况而言并非如此，我们认为此处提出的向量嵌入方法是一种更恰当的手段。
引用
@article{arxiv.1909.11380,
title = {Beyond image classification: zooplankton identification with deep vector space embeddings},
author = {Ketil Malde and Hyeongji Kim},
journal= {arXiv preprint arXiv:1909.11380},
year = {2019}
}