Feb, 2024

Floralens: 一种用于葡萄牙本土植物的深度学习模型

PDF
TL;DR使用机器学习技术，特别是深度卷积神经网络，对生物种类进行基于图像的识别在很多公众科学平台中至关重要。然而，关于训练网络所需的关键数据集构建和网络架构的选择目前有很少的文献资料，因此难以复制。本文提出了一种简化的方法，通过使用公开可用的研究级数据集，构建生物分类的数据集，并使用 Google 的 AutoML Vision 云服务的现成深度卷积神经网络模型。以葡萄牙本土植物为案例研究，该案例研究依托于葡萄牙植物学会提供的高质量数据集，并通过添加来自 iNaturalist、Pl@ntNet 和 Observation.org 的采样数据扩大。我们发现，通过精心设计数据集，现成的机器学习云服务可以轻松生成与最先进的公众科学平台相媲美的准确模型。我们开发的最佳模型，名为 Floralens，已集成到 Project Biolens 的公共网站中，在该网站中我们收集了其他分类的模型。训练该模型所使用的数据集和模型本身均可在 Zenodo 上公开获取。
machine-learning techniquesdeep convolutional neural networksbiological species identificationdatasetsoff-the-shelf deep convolutional neural networks
发现论文，激发创造
  • DeepFlorist：基于元分类器的深度神经网络和集成学习方法用于物体分类的重新思考

    本文描述了一种名为 “DeepFlorist” 的新型学习范式，使用集成学习作为元分类器进行花卉分类。 DeepFlorist 结合了深度学习的强大能力和集成方法的鲁棒性，以实现准确可靠的花卉分类结果。 该框架在基准花卉数据集上的实验结果表明 DeepFlorist 的有效性，其在准确性和鲁棒性方面优于现有方法。 该框架具有在实际应用中用于自动化花卉识别系统的潜在价值，从而促进植物分类学，保护工作和生态研究的进步。

    Jul, 2023

  • 提取花卉和植物隐喻名称的深度学习方法

    本研究使用十三种基于 Transformer 的模型和 ChatGPT，旨在通过深度学习自动识别篇章中的隐喻词汇，结果表明，判别式模型的表现优于 GPT-3.5 模型，并取得 92.2349％的隐喻植物和花卉名称识别任务的 F1 评分。

    May, 2023

  • PhytNet：定制植物数据的适应性卷积神经网络

    自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

    Nov, 2023

  • FLORA：用于视觉 Transformer 的细粒度低秩架构搜索

    通过引入基于 NAS 的自动化框架 FLORA，本论文提出了一种用于降低计算负载的低秩逼近方法，通过低秩感知的候选过滤策略和低秩特定训练方法，实现了更精细的低秩配置，相比简单均匀配置可额外减少 33% 的操作次数，同时还展示了与压缩技术和紧凑混合结构整合可达到更高的 FLOPs 减少率。

    Nov, 2023

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 利用深度卷积神经网络从数字化标本中识别分类和特征

    该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取，取得了良好的分类和识别效果，将有望用于未来的分类学和自然历史收藏管理工具中。

    Mar, 2018

  • 自动融合多模态深度学习用于植物识别

    利用多模态深度学习方法，将植物的花朵、叶子、水果和茎的图像整合成一个连贯的模型，实现了对 PlantCLEF2015 数据集 956 个类别的植物进行自动分类，准确率达到 83.48%，超过了现有方法 11.07% 的性能。

    Jun, 2024

  • 评估小型脚印深度学习方法在新标注数据集上的西地中海湿地鸟类分类

    本文提出了一种基于生态学价值自动化分析和检测鸟类物种的专家系统的部署，该系统通过无线声学传感器网络和具有深度学习技术的深度神经网络来实现鸟类的准确分类，并对 VGG16、ResNet50 和 MobileNetV2 这三种深度神经网络的效果进行比较分析，发现 MobileNetV2 的 F1 得分优于 VGG16 而略低于 ResNet50，且模型大小小得多。

    Jul, 2022

  • Pl@ntNet 人工智能算法的合作学习：工作原理与改进方法

    通过基于用户能力从协作数据中递归估计正确识别记录的植物种类，我们提出了一种标签汇聚策略来协同训练植物识别 AI 模型，并通过评估用户技能的多样性增强标记性能，这强调了人类注释和数据过滤的协同作用以提高 AI 性能。

    Jun, 2024

  • 利用多个数据集进行深度叶片计数

    通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

    Sep, 2017