基于生成建模与 Mixup 训练的鲁棒花粉图像分类
计算机视觉与模式识别
2021-03-01 v1 机器学习
图像与视频处理
摘要
深度学习方法在图像分类任务中已取得巨大成功，并可极大助力花粉颗粒航拍图像的快速可靠分类。然而，自然图像设定下的深度学习方法常面临泛化问题，并在未见测试分布上表现不佳。本工作中，我们提出一种可良好泛化于花粉颗粒气生物学图像分类的鲁棒深度学习框架。我们开发了基于卷积神经网络的花粉颗粒分类方法，并结合深度学习中若干最佳实践以提升泛化能力。除数据增强与权重正则化等常规方法外，我们采用流形 mixup 等隐式正则化方法以学习更平滑的决策边界。我们还使用了 EfficientNet 卷积神经网络等已被证实的先进架构选择。受变分自编码器生成建模成功的启发，我们以更丰富的学习目标训练模型，使模型聚焦于图像的相关部分。最后，我们构建神经网络集成以提升测试集预测的鲁棒性。基于实验，我们以加权 F1 分数衡量显示了上述方法带来的泛化性能提升。所提方法在 ICPR-2020 花粉颗粒分类挑战赛最终排名中位列第四；其加权 F1 分数为 0.972578，宏平均 F1 分数为 0.950828，识别准确率为 0.972877。
引用
@article{arxiv.2102.13143,
title = {Robust Pollen Imagery Classification with Generative Modeling and Mixup Training},
author = {Jaideep Murkute},
journal= {arXiv preprint arXiv:2102.13143},
year = {2021}
}