[論文レビュー] Plant Species Classification Using Transfer Learning by Pretrained Classifier VGG-19

Thiru Siddharth, Bhupendra Singh Kirar+1 more|arXiv (Cornell University)|Sep 7, 2022

Smart Agriculture and AI被引用数 5

ひとこと要約

本論文では、葉画像からの高精度な植物種分類のため、事前学習済みのVGG-19モデルを用いた転移学習手法を提案する。畳み込み層および全結合層による特徴抽出の後、ソフトマックス分類を実行することで、15種類のスウェーデンの葉データセットで99.70%の精度を達成し、先行研究を上回った。

ABSTRACT

Deep learning is currently the most important branch of machine learning, with applications in speech recognition, computer vision, image classification, and medical imaging analysis. Plant recognition is one of the areas where image classification can be used to identify plant species through their leaves. Botanists devote a significant amount of time to recognizing plant species by personally inspecting. This paper describes a method for dissecting color images of Swedish leaves and identifying plant species. To achieve higher accuracy, the task is completed using transfer learning with the help of pre-trained classifier VGG-19. The four primary processes of classification are image preprocessing, image augmentation, feature extraction, and recognition, which are performed as part of the overall model evaluation. The VGG-19 classifier grasps the characteristics of leaves by employing pre-defined hidden layers such as convolutional layers, max pooling layers, and fully connected layers, and finally uses the soft-max layer to generate a feature representation for all plant classes. The model obtains knowledge connected to aspects of the Swedish leaf dataset, which contains fifteen tree classes, and aids in predicting the proper class of an unknown plant with an accuracy of 99.70% which is higher than previous research works reported.

研究の動機と目的

• 手動による植物分類の依存度を低減するため、葉画像分類を用いた植物種の自動同定を実現すること。
• 既存の植物認識手法における低精度および高コストの問題に取り組むこと。
• 微細な植物種分類におけるVGG-19を用いた転移学習の有効性を評価すること。
• 深層学習を用いて15種類のスウェーデンの葉データセットで最先端の性能を達成すること。

提案手法

• 15種の木の種類を含むスウェーデンの葉データセット上で、事前学習済みのVGG-19モデルを微調整することで転移学習を実施した。
• 一貫したモデル入力を確保するため、入力となる葉画像の前処理を実施した。
• 訓練データの多様性を高め、一般化性能を向上させるためにデータ拡張技術を適用した。
• VGG-19の畳み込み層およびプーリング層を用いて、階層的な空間パターンを捉える深層特徴を抽出した。
• VGG-19の最終全結合層を、15種の植物クラスに特化した新しい分類器ヘッドに置き換えた。
• 最終予測のために15種の植物種における確率分布を生成するために、ソフトマックス層を採用した。

実験結果

リサーチクエスチョン

• RQ1 VGG-19を用いた転移学習は、従来の手法と比較して、植物種分類において優れた精度を達成できるか？
• RQ2 VGG-19の階層的特徴抽出は、特徴的な葉の特徴を効果的に捉えられるか？
• RQ3 画像前処理およびデータ拡張は、葉画像分類におけるモデルの一般化性能にどのような影響を与えるか？
• RQ4 VGG-19の最後の層を微調整することで、小規模で専用の葉データセットにおける性能はどの程度向上するか？

主な発見

• 提案手法は、15種類のスウェーデンの葉データセットでテスト精度99.70%を達成し、以前の最先端手法を上回った。
• VGG-19を用いた転移学習により、学習から始めることと比較して、トレーニング時間とデータ要件が顕著に削減された。
• 画像拡張技術の適用により、多様な葉の外観にわたるモデルのロバスト性と一般化性能が向上した。
• VGG-19の畳み込み層およびプーリング層は、葉の微細な構造的・テクスチャ的特徴を効果的に捉えていた。
• ソフトマックス分類器ヘッドは、全15種の植物種に対して高い信頼性と正確な予測を生成した。
• 未学習の葉画像に対してもモデルは優れた一般化性能を示し、実世界の応用において高い信頼性を持つことが示された。