在存在欺骗性相似类别的情况下利用深度特征图进行水果分类
计算机视觉与模式识别
2021-12-14 v1
摘要
物体的自主检测与分类是许多工业应用中备受推崇的研究领域。尽管人类能够非常轻松地区分具有高多粒度相似性的物体，但对机器而言，这是一项极具挑战性的任务。卷积神经网络 (CNN) 在用于分类的物体多级表示中展现出了高效的性能。传统上，现有的深度学习模型利用最后一层生成的变换特征进行训练和测试。然而，显而易见的是，这对于多粒度数据效果不佳，尤其是在存在欺骗性相似类别（几乎相似但不同的类别）的情况下。本研究旨在通过一种集成方法解决欺骗性相似多粒度物体分类的挑战，该方法利用了 CNN 多个层的激活值（深度特征）。这些多层激活值被进一步用于构建多个深度决策树（即随机森林），以对外观相似的物体进行分类。Fruits-360 数据集被用于评估所提出的方法。通过大量试验观察到，所提出的模型优于传统的深度学习方法。
引用
@article{arxiv.2007.05942,
title = {Fruit classification using deep feature maps in the presence of deceptive similar classes},
author = {Mohit Dandekar and Narinder Singh Punn and Sanjay Kumar Sonbhadra and Sonali Agarwal},
journal= {arXiv preprint arXiv:2007.05942},
year = {2021}
}