近年來，通過深度學習對植物表型的研究受到越來越多的關注，在植物育種領域取得了令人矚目的進展。在植物表型分類和識別任務領域，深度學習極其依賴于大量的訓練數(shù)據(jù)來提取和識別目標特征。然而，對于一些品種數(shù)量龐大的花卉品種識別任務，傳統(tǒng)的深度學習方法很難在有限的樣本數(shù)據(jù)下取得較好的識別效果。為此，提出了一種基于度量學習的花卉品種識別方法。


在分類網(wǎng)絡中加入中心丟失，使類間樣本分散，類內(nèi)樣本緊湊，并使用ResNet18、ResNet50和DenseNet121腳本進行特征提取。為了評估所提出方法的有效性，選擇了一個公共數(shù)據(jù)集 Oxford 102 Flowers 數(shù)據(jù)集和我們構建的兩個新數(shù)據(jù)集。對于中心損耗和L2 softmax損耗聯(lián)合監(jiān)測的方法，三組數(shù)據(jù)的測試準確率分別為91.88%、97.34%和99.82%。通過T分布隨機鄰域嵌入（T-SNE）觀測到的特征分布，驗證了該方法的有效性。


菊花測試集的ROC曲線。a ResNet18 (P=5，K=10)、b ResNet18 (P=18，K=5)、c ResNet50 (P=5，K=10)、d ResNet50 (P=18，K=5)、e DenseNet121 (P=5，K=10)

作者提出了一種高效的度量學習方法用于花卉品種識別，該方法不僅具有較高的識別率，而且使從識別網(wǎng)絡中提取的特征具有可解釋性。本研究表明，該方法為少量數(shù)據(jù)在鑒定領域的應用提供了新思路，對花卉品種鑒定研究具有重要的參考意義。

來源：Plant Methods.Metric learning for image-based flower crs identification.
Ruisong Zhang, Ye Tian, Junmei Zhang, Silan Dai, Xiaogai Hou, Jue Wang & Qi Guo 
/articles/10.1186/s13007-021-00767-w