近年來(lái)，通過(guò)深度學(xué)習(xí)對(duì)植物表型的研究受到越來(lái)越多的關(guān)注，在植物育種領(lǐng)域取得了令人矚目的進(jìn)展。在植物表型分類和識(shí)別任務(wù)領(lǐng)域，深度學(xué)習(xí)極其依賴于大量的訓(xùn)練數(shù)據(jù)來(lái)提取和識(shí)別目標(biāo)特征。然而，對(duì)于一些品種數(shù)量龐大的花卉品種識(shí)別任務(wù)，傳統(tǒng)的深度學(xué)習(xí)方法很難在有限的樣本數(shù)據(jù)下取得較好的識(shí)別效果。為此，提出了一種基于度量學(xué)習(xí)的花卉品種識(shí)別方法。
Oxford 102 Flowers 數(shù)據(jù)集中的示例圖像
在分類網(wǎng)絡(luò)中加入中心丟失，使類間樣本分散，類內(nèi)樣本緊湊，并使用ResNet18、ResNet50和DenseNet121腳本進(jìn)行特征提取。為了評(píng)估所提出方法的有效性，選擇了一個(gè)公共數(shù)據(jù)集 Oxford 102 Flowers 數(shù)據(jù)集和我們構(gòu)建的兩個(gè)新數(shù)據(jù)集。對(duì)于中心損耗和L2 softmax損耗聯(lián)合監(jiān)測(cè)的方法，三組數(shù)據(jù)的測(cè)試準(zhǔn)確率分別為91.88%、97.34%和99.82%。通過(guò)T分布隨機(jī)鄰域嵌入（T-SNE）觀測(cè)到的特征分布，驗(yàn)證了該方法的有效性。
菊花測(cè)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(xué)習(xí)方法用于花卉品種識(shí)別，該方法不僅具有較高的識(shí)別率，而且使從識(shí)別網(wǎng)絡(luò)中提取的特征具有可解釋性。本研究表明，該方法為少量數(shù)據(jù)在鑒定領(lǐng)域的應(yīng)用提供了新思路，對(duì)花卉品種鑒定研究具有重要的參考意義。
來(lái)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
會(huì)員1.png)
