Recognition of the Amazonian flora by Inception Networks with Test-time Class Prior Estimation

Abstract

Článek popisuje automatický systém na rozpoznávání 10,000 druhů rostlin, se zaměřením na Guyanskou vysočinu a Amazonský deštný prales. Navrhovaný systém dosáhl nejlepších výsledků - 31,9% úspěšnosti na PlantCLEF2019 testovací sadě. Při porovnání s lidskými experty na rozpoznávání rostlin jsme dosáhli lepších výsledků než 3 z 5 expertů. Navrhovaný systém je založen na konvolučních neuronových sítích, respektive na architekturách Inception-v4 and Inception-ResNet-v2. Zlepšení výsledků bylo dosaženo především: úpravou predikcí neuronové sítě založené na odhadu apriorní pravděpodobnosti jednotlivých tříd, nahrazením parametrů sítě pomocí jejich klouzavého průměru, augmentací dat při testování, filtrováním trénovací množiny a rozšířením množiny trénovacích dat z knihovnz GBIF.

The paper describes an automatic system for recognition of 10,000 plant species, with focus on species from the Guiana shield and the Amazon rain forest. The proposed system achieves the best results on the PlantCLEF 2019 test set with 31.9% accuracy. Compared against human experts in plant recognition, the system performed better than 3 of the 5 participating human experts and achieved 41.0% accuracy on the subset for expert evaluation. The proposed system is based on the Inception-v4 and Inception-ResNet-v2 Convolutional Neural Network (CNN) architectures. Performance improvements were achieved by: adjusting the CNN predictions according to the estimated change of the class prior probabilities, replacing network parameters with their running averages, test-time data augmentation, filtering the provided training set and adding additional training images from GBIF.