近年來,通過深度學習對植物表型的研究受到越來越多的關注,在植物育種領域取得了令人矚目的進展。在植物表型分類和識別任務領域,深度學習極其依賴于大量的訓練數據來提取和識別目標特征。然而,對于一些品種數量龐大的花卉品種識別任務,傳統的深度學習方法很難在有限的樣本數據下取得較好的識別效果。為此,提出了一種基于度量學習的花卉品種識別方法。
Oxford 102 Flowers 數據集中的示例圖像
在分類網絡中加入中心丟失,使類間樣本分散,類內樣本緊湊,并使用ResNet18、ResNet50和DenseNet121腳本進行特征提取。為了評估所提出方法的有效性,選擇了一個公共數據集 Oxford 102 Flowers 數據集和我們構建的兩個新數據集。對于中心損耗和L2 softmax損耗聯合監測的方法,三組數據的測試準確率分別為91.88%、97.34%和99.82%。通過T分布隨機鄰域嵌入(T-SNE)觀測到的特征分布,驗證了該方法的有效性。
菊花測試集的ROC曲線。a ResNet18 (P=5,K=10)、b ResNet18 (P=18,K=5)、c ResNet50 (P=5,K=10)、d ResNet50 (P=18,K=5)、e DenseNet121 (P=5,K=10)
作者提出了一種高效的度量學習方法用于花卉品種識別,該方法不僅具有較高的識別率,而且使從識別網絡中提取的特征具有可解釋性。本研究表明,該方法為少量數據在鑒定領域的應用提供了新思路,對花卉品種鑒定研究具有重要的參考意義。
來源:Plant Methods.Metric learning for image-based flower cultivars identification.
Ruisong Zhang, Ye Tian, Junmei Zhang, Silan Dai, Xiaogai Hou, Jue Wang & Qi Guo
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00767-w