[論文レビュー] Shape-only Features for Plant Leaf Identification

Charlie Hewitt, Marwa Mahmoud|arXiv (Cornell University)|Nov 20, 2018

Smart Agriculture and AI参考文献 17被引用数 6

ひとこと要約

本稿では、局所領域積分不変量（LAIIs）と基本的形状特徴量を用いて、形状のみに依存する特徴量セットを提案し、複数の葉データセットで90%を超える正確性を達成した。回転・スケーリング不変性と、一般形状一致への強力な汎用性を示し、モバイルデプロイメントに適した高い効率性を有する。

ABSTRACT

This paper presents a novel feature set for shape-only leaf identification motivated by real-world, mobile deployment. The feature set includes basic shape features, as well as signal features extracted from local area integral invariants (LAIIs), similar to curvature maps, at multiple scales. The proposed methodology is evaluated on a number of publicly available leaf datasets with comparable results to existing methods which make use of colour and texture features in addition to shape. Over 90% classification accuracy is achieved on most datasets, with top-four accuracy for these datasets reaching over 98%. Rotation and scale invariance of the proposed features are demonstrated, along with an evaluation of the generalisability of the approach for generic shape matching.

研究の動機と目的

• 深層学習およびマルチ特徴量手法の限界を、実世界の葉識別において、データ効率性、モデルサイズ、照明および画像品質へのロバスト性の観点から解消すること。
• 色やテクスチャ、高品質な画像に依存しない、コンactな形状特徴量セットを構築し、モバイルデバイスへの実用的デプロイメントを可能にすること。
• 特にLAIIsに基づく信号を用いた形状特徴量が、色やテクスチャを用いる手法と同等の分類性能を達成できることを示すこと。
• 提案された特徴量が、葉識別を越えて一般形状一致タスクへも汎用可能であることを評価すること。
• リソース制限のある環境における迅速な再トレーニングおよびデプロイメントを可能にする、計算効率性とモデルの軽量化を確保すること。

提案手法

• セグメンテーション済みの葉の境界から、基本的形状特徴量（例：実体率、円形度、離心率）を抽出する。
• 複数スケールでの局所領域積分不変量（LAIIs）を計算し、並進、回転、スケーリング不変な信号ベースの形状特徴量を生成する。
• LAIIs信号から得られるスペクトル的および統計的特徴量を用いて、形状表現を強化する。
• 抽出された特徴量上で訓練されたサポートベクターマシン（SVM）分類器を用いて、葉分類を実行する。
• 葉および一般形状データセットの両方で、一貫した特徴抽出および分類パイプラインを適用する。
• 特徴量のストレージ最適化を図り、1画像あたり約6 KBに圧縮することで、モデルのフットプリントを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 形状のみの特徴量セットは、標準的な葉データセットにおいて、色やテクスチャを含むマルチ特徴量手法と同等の分類正確性を達成できるか？
• RQ2 提案されたLAIIsベースの特徴量は、回転、スケーリング、並進に対してどの程度不変性を示すか？
• RQ3 本手法は、一般形状認識のような非葉の形状一致タスクへどの程度汎用性を示すか？
• RQ4 深層学習モデル（例：LeafNet）と比較して、本手法の計算およびストレージ効率はどの程度か？
• RQ5 ぼやけた画像、影、または不良なセグメンテーションが施された現場収集画像において、性能はどの程度低下し、その要因は何か？

主な発見

• 提案された形状特徴量セットは、ほとんどの葉データセットで90%を超える分類正確性を達成しており、Leafsnap Fieldデータセットを除き、トップ4正確性は100%を超える。
• 一般形状のMPEG-7コア実験データセットでは91%の正確性を達成し、葉特化タスクを超えた強力な汎用性を示した。
• 実験的に複数のデータセットを対象に検証した結果、LAIIsベースの特徴量は回転およびスケーリング不変性を強く示した。
• 特徴量抽出時間は解像度に応じて116ms〜1秒の範囲であり、抽出された特徴量は1画像あたり約6 KBに圧縮され、効率的なデプロイメントが可能である。
• SVMモデルは300 KB〜22 MBのメモリ容量で動作し、LeafNet CNNが要する150 MBと比べて著しく小さいため、モバイルデプロイメントに適している。
• SVMのトレーニング時間は無視できるほど短く（2分未満）、全体のパイプラインは数時間で完了するが、大規模なCNNとは異なり、数日を要しない。