[論文レビュー] Flower Categorization using Deep Convolutional Neural Networks

Ayesha Gurnani, Viraj Mavani+2 more|arXiv (Cornell University)|Aug 12, 2017

Smart Agriculture and AI参考文献 8被引用数 21

ひとこと要約

この論文は、オックスフォード102花データセットを用いて、2つの畳み込みニューラルネットワーク（CNN）アーキテクチャ—GoogLeNetとAlexNet—を用いた花の分類のためのディープラーニング手法を提案する。GoogLeNetを用いた場合、トップ1精度は47.15%、トップ5精度は69.17%を達成し、ランダム分類（0.98%）を著しく上回り、植物学や自然探検などの実世界の応用分野における細分化された花の認識において強力な性能を示している。

ABSTRACT

We have developed a deep learning network for classification of different flowers. For this, we have used Visual Geometry Group's 102 category flower dataset having 8189 images of 102 different flowers from University of Oxford. The method is basically divided into two parts; Image segmentation and classification. We have compared the performance of two different Convolutional Neural Network architectures GoogLeNet and AlexNet for classification purpose. By keeping the hyper parameters same for both architectures, we have found that the top 1 and top 5 accuracies of GoogLeNet are 47.15% and 69.17% respectively whereas the top 1 and top 5 accuracies of AlexNet are 43.39% and 68.68% respectively. These results are extremely good when compared to random classification accuracy of 0.98%. This method for classification of flowers can be implemented in real time applications and can be used to help botanists for their research as well as camping enthusiasts.

研究の動機と目的

• 画像からの花の種の正確な分類を実現するディープラーニングベースのシステムの開発。
• 細分化された花の分類タスクにおいて、2つの代表的なCNNアーキテクチャ—GoogLeNetとAlexNet—の性能を評価・比較すること。
• 植物学や自然に基づく研究における実用的応用を想定した、リアルタイム花分類を可能にすること。
• 学術的および現地での利用を想定した、自動花認識に耐えうる堅牢でスケーラブルなソリューションの提供。

提案手法

• オックスフォード102花データセット（102種の花カテゴリに分類された8,189枚の画像から構成）を用いた。
• 2段階のパイプライン（画像セグメンテーションの後、ディープラーニングベースの分類）を採用した。
• 公平な比較のため、同じハイパーパrameterを用いてGoogLeNetとAlexNetの両モデルを訓練・評価した。
• データオーグメンテーションと確率的勾配降下法を含む、標準的なディープラーニング訓練プロトコルを採用した。
• モデルの性能を評価する指標として、トップ1精度とトップ5精度を用いた。
• 結果の再現可能性と信頼性を維持するため、一貫した訓練・検証分割を確保した。

実験結果

リサーチクエスチョン

• RQ1 自然画像からの細分化された花の種の分類において、GoogLeNetとAlexNetはそれぞれどの程度の性能を示すか？
• RQ2 ディープCNNベースのシステムは、挑戦的で細分化された花分類ベンチマークで意味のある精度を達成できるか？
• RQ3 102花データセットにおいて、GoogLeNetとAlexNetのトップ1およびトップ5分類精度の比較的性能はいかなるものか？
• RQ4 提案手法は、花分類タスクにおいてランダム分類をどの程度上回るか？
• RQ5 このシステムは、植物学や自然探検などの現地応用分野におけるリアルタイム展開に適応可能か？

主な発見

• GoogLeNetは、102花データセットでトップ1精度47.15%を達成し、ランダム分類精度0.98%を著しく上回った。
• AlexNetはトップ1精度43.39%を達成し、GoogLeNetよりわずかに低いが、依然として高い性能を示した。
• GoogLeNetのトップ5精度は69.17%であり、AlexNetの68.68%と比較して、より優れたクラスランク付け能力を示した。
• 両モデルとも、ランダム分類を大幅に上回ったため、細分化された花認識におけるディープCNNの有効性が裏付けられた。
• GoogLeNetとAlexNetの間で一貫した性能差が観察されたことから、このタスクにおいてGoogLeNetにアーキテクチャ上の利点があると考えられる。
• 結果から、提案手法が植物学や自然に基づく研究におけるリアルタイム応用に適していることが示された。