基于双视角叶片表征的植物物种细粒度分类
计算机视觉与模式识别
2021-10-05 v2 机器学习
摘要
在细粒度场景下，由于现有植物物种的广泛生物多样性，植物自动分类是一个具有挑战性的问题。强大的深度学习架构已被用于提升此类细粒度问题的分类性能，但通常构建的模型高度依赖于大规模训练数据集且难以扩展。本文提出一种基于双视角叶片图像表征和层次化分类策略的植物物种细粒度识别新方法。该方法以植物分类学为基础，采用由粗到细的策略来识别植物的属与种。双视角表征提供了叶片图像的互补全局与局部特征。基于连体卷积神经网络（Siamese convolutional neural networks）的深度度量被用于减少对大量训练样本的依赖，并使方法可扩展到新的植物物种。在两个具有挑战性的叶片图像细粒度数据集（即 LifeCLEF 2015 和 LeafSnap）上的实验结果表明了所提方法的有效性，其识别准确率分别达到 0.87 和 0.96。
引用
@article{arxiv.2005.09110,
title = {Two-View Fine-grained Classification of Plant Species},
author = {Voncarlos M. Araujo and Alceu S. Britto and Luiz E. S. Oliveira and Alessandro L. Koerich},
journal= {arXiv preprint arXiv:2005.09110},
year = {2021}
}