[论文解读] 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 5

一句话总结

本文提出一种基于预训练VGG-19模型的迁移学习方法，用于从叶像中实现高精度的植物物种分类。通过利用卷积层和全连接层进行特征提取，再结合Softmax分类，该方法在15类瑞典叶像数据集上实现了99.70%的准确率，优于先前的工作。

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.

研究动机与目标

• 通过叶像分类实现植物物种识别的自动化，以减少对人工植物学检查的依赖。
• 解决现有植物识别方法中准确率低和计算成本高的挑战。
• 评估VGG-19在细粒度植物物种分类中迁移学习的有效性。
• 通过深度学习在15类瑞典叶像数据集上实现最先进性能。

提出的方法

• 通过在包含15种树木的瑞典叶像数据集上微调预训练的VGG-19模型，应用迁移学习。
• 对图像进行预处理，以标准化输入叶像，确保模型输入的一致性。
• 应用数据增强技术，以增加训练数据的多样性并提升泛化能力。
• 利用VGG-19的卷积层和池化层提取深层特征，以捕捉分层的空间模式。
• 将VGG-19的最后全连接层替换为针对15种植物类别的新分类器头。
• 采用Softmax层生成15种植物物种的概率分布，用于最终预测。

实验结果

研究问题

• RQ1 与先前方法相比，使用VGG-19进行迁移学习是否能在植物物种分类中实现更优的准确率？
• RQ2 VGG-19的分层特征提取在捕捉具有区分性的叶部特征方面有多有效？
• RQ3 图像预处理和数据增强对叶像分类中模型泛化能力的影响如何？
• RQ4 在小型、专业化的叶像数据集上，微调VGG-19的最后几层在多大程度上提升了性能？

主要发现

• 所提方法在15类瑞典叶像数据集上实现了99.70%的测试准确率，超越了先前的最先进结果。
• 与从零开始训练相比，使用VGG-19的迁移学习显著减少了训练时间和数据需求。
• 数据增强技术提升了模型在不同叶像外观下的鲁棒性和泛化能力。
• VGG-19的卷积层和池化层有效捕捉了叶部的细粒度结构与纹理特征。
• Softmax分类器头对所有15种植物物种均生成了高度置信且准确的预测。
• 该模型在未见过的叶像上表现出强大的泛化能力，表明其在实际应用中具有高度可靠性。