[논문 리뷰] Flower Categorization using Deep Convolutional Neural Networks

Ayesha Gurnani, Viraj Mavani외 2명|arXiv (Cornell University)|2017. 08. 12.

Smart Agriculture and AI참고 문헌 8인용 수 21

한 줄 요약

이 논문은 옥스포드 102-플라워 데이터셋을 사용하여 두 가지 CNN 아키텍처인 GoogLeNet과 AlexNet을 활용한 꽃 분류를 위한 딥러닝 접근법을 제안한다. GoogLeNet을 사용할 경우 상위 1개 정확도(top-1 accuracy)는 47.15%, 상위 5개 정확도(top-5 accuracy)는 69.17%를 기록하며, 무작위 분류(0.98%)를 크게 뛰어넘어, 식물학 및 자연 탐사와 같은 실세계 적용 분야에서의 미세한 꽃 인식에 강력한 성능을 보여준다.

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.

연구 동기 및 목표

• 이미지에서 꽃 종을 정확하게 분류하기 위한 딥러닝 기반 시스템을 개발하는 것.
• 미세한 꽃 분류 작업에 대해 두 가지 기존의 CNN 아키텍처인 GoogLeNet과 AlexNet의 성능을 평가하고 비교하는 것.
• 식물학 및 자연 기반 연구와 같은 실용적 응용 분야에서 실시간 꽃 분류를 가능하게 하는 것.
• 학술적 및 현장 적용 사례 모두를 지원하는 강력하고 확장 가능한 자동 꽃 인식 솔루션을 제공하는 것.

제안 방법

• 102종의 꽃 카테고리에 걸쳐 총 8,189장의 이미지를 포함하는 옥스포드 102-플라워 데이터셋을 사용하였다.
• 이미지 세그멘테이션 이후 딥러닝 기반 분류를 수행하는 두 단계의 파이프라인을 적용하였다.
• 정확한 비교를 위해 동일한 초모수를 사용하여 GoogLeNet과 AlexNet 모델을 훈련 및 평가하였다.
• 데이터 증강 및 확률적 경사 하강법을 포함한 표준 딥러닝 훈련 프로토콜을 적용하였다.
• 모델 성능 평가 지표로 상위 1개 정확도와 상위 5개 정확도를 사용하였다.
• 결과의 재현 가능성과 신뢰성을 확보하기 위해 일관된 훈련 및 검증 데이터 분할을 유지하였다.

실험 결과

연구 질문

• RQ1 GoogLeNet과 AlexNet은 자연 이미지에서 미세한 꽃 종을 분류하는 데 어떻게 성능을 발휘하는가?
• RQ2 딥 컨볼루션 신경망 기반 시스템은 도전적인, 미세한 꽃 분류 벤치마크에서 의미 있는 정확도를 달성할 수 있는가?
• RQ3 옥스포드 102-플라워 데이터셋에서 GoogLeNet과 AlexNet의 상위 1개 및 상위 5개 정확도 측면에서의 상대적 성능은 어떠한가?
• RQ4 제안된 방법은 꽃 분류 작업에서 무작위 분류를 어느 정도 뛰어넘는가?
• RQ5 이 시스템은 식물학 또는 자연 탐사와 같은 현장 응용 분야에서 실시간 배포에 적합하게 변형될 수 있는가?

주요 결과

• GoogLeNet은 옥스포드 102-플라워 데이터셋에서 상위 1개 정확도 47.15%를 기록하였으며, 이는 무작위 분류 정확도 0.98%보다 뚜렷이 높은 성능을 보였다.
• AlexNet은 상위 1개 정확도 43.39%를 기록하여 GoogLeNet보다 약간 낮은 성능이지만 강력한 성능을 보였다.
• GoogLeNet은 상위 5개 정확도 69.17%를 기록하였고, AlexNet은 68.68%를 기록하여 더 나은 클래스 순위 매기기 능력을 보였다.
• 두 모델 모두 무작위 분류를 상당한 폭으로 뛰어넘었으며, 이는 딥 컨볼루션 신경망이 미세한 꽃 인식에 효과적임을 입증한다.
• GoogLeNet과 AlexNet 간의 일관된 성능 격차는 이 특정 작업에서 GoogLeNet의 아키텍처적 우수성을 시사한다.
• 결과는 제안된 방법이 식물학 및 자연 기반 연구 분야에서 실시간 응용에 적합하다는 것을 시사한다.