[논문 리뷰] Overview of LifeCLEF Plant Identification task 2020

Hervé Goëau, Pierre Bonnet외 1명|Agritrop (Cirad)|2025. 09. 23.

Genomics and Phylogenetic Studies참고 문헌 2인용 수 12

한 줄 요약

이 논문은 LifeCLEF 2020 식물 식별 대회를 다루며, 열대 지역의 현장 사진 식별을 돕기 위해 표본집을 이용한 교차 도메인 식별에 초점을 맞추고 데이터 세트, 작업 설정, 참가 방법, 결과 및 인사이트를 자세히 설명합니다.

ABSTRACT

Automated identification of plants has improved considerably thanks to the recent progress in deep learning and the availability of training data with more and more photos in the field. However, this profusion of data only concerns a few tens of thousands of species, mostly located in North America and Western Europe, much less in the richest regions in terms of biodiversity such as tropical countries. On the other hand, for several centuries, botanists have collected, catalogued and systematically stored plant specimens in herbaria, particularly in tropical regions, and the recent efforts by the biodiversity informatics community made it possible to put millions of digitized sheets online. The LifeCLEF 2020 Plant Identification challenge (or "PlantCLEF 2020") was designed to evaluate to what extent automated identification on the flora of data deficient regions can be improved by the use of herbarium collections. It is based on a dataset of about 1,000 species mainly focused on the South America's Guiana Shield, an area known to have one of the greatest diversity of plants in the world. The challenge was evaluated as a cross-domain classification task where the training set consist of several hundred thousand herbarium sheets and few thousand of photos to enable learning a mapping between the two domains. The test set was exclusively composed of photos in the field. This paper presents the resources and assessments of the conducted evaluation, summarizes the approaches and systems employed by the participating research groups, and provides an analysis of the main outcomes.

연구 동기 및 목표

• 데이터가 부족한 열대 지역에서 현장 사진과 표본집을 연결하는 교차 도메인 식물 식별을 동기 부여하고 평가한다.
• 식물 식별을 위한 도메인 적응 연구를 촉진하기 위한 대규모 데이터 세트와 작업 프로토콜을 제공한다.
• 최신 방법이 도메인 간 지식을 얼마나 잘 이전하는지 평가하고 희귀 종에 대한 일반성을 평가한다.
• 제출된 접근법을 분석하여 현장 사진이 적은 시나리오를 가장 잘 처리하는 전략을 식별한다.

제안 방법

• 997종과 321,270장의 표본집 사진 plus 6,316장의 현장 사진으로 구성된 PlantCLEF 2020 데이터 세트를 설명한다.
• 훈련은 표본집 사진을 사용하고 한정된 현장 사진으로 구성되며 테스트 데이터는 현장 사진인 교차 도메인 학습 과제를 정의한다.
• 전체 테스트 세트 및 현장 사진이 적은 어려운 하위 집합에서 평균 역순위(MRR)로 제출을 평가한다.
• 전통적인 CNN과 도메인 적응 접근법(적대적 학습 및 트리플렛/임베딩 기반 방법 포함)을 비교하여 결과를 분석한다.
• 외부 데이터와 다중 작업 학습이 성능과 일반성에 미치는 영향을 논의한다.

실험 결과

연구 질문

• RQ1 데이터가 부족한 열대 식생에서 표본집 데이터가 현장 사진 식별로 효과적으로 이전될 수 있는가?
• RQ2 표본집-현장 간의 간극을 다리 놓는 최적의 도메인 적응 전략은 무엇인가?
• RQ3 외부 데이터와 분류학 정보를 도메인 간 식별 성능에 어떤 영향을 미치는가?
• RQ4 다중 작업 및 자기지도 보조 작업이 희귀 종 식별을 개선하는가?
• RQ5 전체 성능과 일반성 간의 균형은 어려운 종에서 어떤 트레이드오프를 보이는가?

주요 결과

• 전반적인 최적 MRR은 0.18로 나타나 매우 도전적인 작업임을 시사한다.
• 적대적 도메인 적응(FSADA)이 주요 MRR 지표에서 다른 접근법보다 우수했다.
• 현표샘-현장 트리플렛 손실을 사용하는 이중 흐름/임베딩 방식은 쉬운 종과 어려운 종 모두에서 강한 일반성을 달성했다.
• 외부 데이터는 일부 적대적 접근에서 주된 MRR을 크게 향상시켰고, 분류학 정보를 활용한 다중 작업 설정은 특히 희귀 종의 성능을 향상시켰다.
• 도메인 적응 방법은 이 교차 도메인 설정에서 순수 CNN 미세조정보다 현저히 우수했다.
• FSADA 변형들의 앙상블이 제출 중에서 최상의 전반적 결과를 보였다.