基于圖像的花卉品種識別的度量學習

來源：武漢谷豐光電科技有限公司 2024年10月25日 11:13

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 crs identification.
Ruisong Zhang, Ye Tian, Junmei Zhang, Silan Dai, Xiaogai Hou, Jue Wang & Qi Guo
/articles/10.1186/s13007-021-00767-w

相關產品

免責聲明

凡本網注明“來源：儀表網”的所有作品，均為浙江興旺寶明通網絡有限公司-儀表網合法擁有版權或有權使用的作品，未經本網授權不得轉載、摘編或利用其它方式使用上述作品。已經本網授權使用作品的，應在授權范圍內使用，并注明“來源：儀表網”。違反上述聲明者，本網將追究其相關法律責任。
本網轉載并注明自其它來源（非儀表網）的作品，目的在于傳遞更多信息，并不代表本網贊同其觀點或和對其真實性負責，不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網站或個人從本網轉載時，必須保留本網注明的作品第一來源，并自負版權等法律責任。
如涉及作品內容、版權等問題，請在作品發表之日起一周內與本網聯系，否則視為放棄相關權利。