[论文解读] 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 6

一句话总结

该论文提出了一种仅基于形状的特征集，用于植物叶片识别，采用局部区域积分不变量（LAIIs）和基本形状描述符，在多个叶片数据集上实现了超过90%的准确率，展现出对旋转和缩放的不变性，并在通用形状匹配任务中表现出强大的泛化能力，计算效率高，适用于移动设备部署。

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.

研究动机与目标

• 解决深度学习和多特征方法在真实世界叶片识别中的局限性，特别是数据效率、模型大小以及对光照和图像质量的鲁棒性问题。
• 开发一种紧凑的、仅基于形状的特征集，避免依赖颜色、纹理或高质量图像，从而实现在移动设备上的实际部署。
• 证明仅基于形状的特征，特别是基于LAIIs的信号，可实现与使用颜色和纹理的方法相当的分类性能。
• 评估所提特征在叶片识别之外的通用形状匹配任务中的泛化能力。
• 确保计算效率和模型轻量化，以支持在资源受限环境中的快速微调和部署。

提出的方法

• 从分割后的叶片边界中提取基本形状特征（例如，紧密度、圆形度、偏心率）。
• 在多个尺度上计算局部区域积分不变量（LAIIs），生成具有平移、旋转和缩放不变性的基于信号的形状描述符。
• 利用从LAIIs信号中提取的谱特征和统计特征，增强形状表征能力。
• 使用支持向量机（SVM）分类器，基于提取的特征进行叶片分类。
• 在叶片和通用形状数据集之间采用一致的特征提取与分类流程。
• 通过压缩提取的特征，将每张图像的特征存储量优化至约6 KB，最大限度减小模型体积。

实验结果

研究问题

• RQ1 仅基于形状的特征集是否能在标准叶片数据集上实现与多特征方法（包括颜色和纹理）相当的分类准确率？
• RQ2 所提出的基于LAIIs的特征在多大程度上对旋转、缩放和位移保持不变？
• RQ3 该方法在非叶片形状匹配任务（如通用形状识别）中的泛化能力如何？
• RQ4 与LeafNet等深度学习模型相比，该方法在计算和存储效率方面表现如何？
• RQ5 在具有模糊、阴影或分割质量差的野外采集图像上，性能如何下降？其主要影响因素是什么？

主要发现

• 所提出的仅基于形状的特征集在大多数叶片数据集上实现了超过90%的分类准确率，除Leafsnap Field数据集外，所有数据集的前四名准确率均超过98%。
• 在MPEG-7通用形状核心实验数据集中，该方法实现了91%的准确率，证明其在叶片特定任务之外也具有强大的泛化能力。
• 实验验证表明，基于LAIIs的特征表现出极强的旋转和缩放不变性。
• 特征提取耗时为每张图像116毫秒至1秒，具体取决于图像分辨率，但提取后的特征仅需约6 KB/张图像的存储空间，支持高效部署。
• 基于这些特征训练的SVM模型仅需300 KB至22 MB的存储空间，远低于LeafNet卷积神经网络所需的150 MB，因而支持移动设备部署。
• SVM的训练时间可忽略不计（少于2分钟），整个流程可在数小时内完成，相比之下大型CNN模型通常需要数天时间。