Resumen

La identificación de plantas es una tarea de clasificación de grano fino cuyo objetivo es identificar la familia, el género y la especie según las características de la apariencia de la planta. Inspirado en la estructura jerárquica del árbol taxonómico, se propuso la pérdida taxonómica, que podría codificar las relaciones jerárquicas entre las etiquetas de varios niveles en la función objetivo de aprendizaje profundo mediante una simple operación de agrupación y suma. Al entrenar varias redes neuronales en los conjuntos de datos PlantCLEF 2015 y PlantCLEF 2017, los resultados experimentales demostraron que la función de pérdida propuesta era fácil de implementar y superaba la pérdida de entropía cruzada más comúnmente adoptada. Se entrenaron ocho redes neuronales, respectivamente, mediante dos funciones de pérdida diferentes en el conjunto de datos PlantCLEF 2015, y los modelos entrenados por la pérdida taxonómica condujeron a mejoras significativas en el rendimiento. En el conjunto de datos PlantCLEF 2017 con 10.000 especies, el modelo SENet-154 entrenado por la pérdida taxonómica alcanzó las precisiones de 84,07%, 79,97% y 73,61 t a nivel de familia, género y especie, que mejoraron las del modelo entrenado por pérdida de entropía cruzada en un 2,23%, 1,34% y 1,08%, respectivamente. La pérdida taxonómica podría facilitar aún más la tarea de clasificación de grano fino con etiquetas jerárquicas.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:pérdida taxonómica, tarea de clasificación granulada, pérdida de entropía, varias redes neuronales, diferentes funciones de pérdida, características de apariencia de las plantas, función de pérdida propuesta, mejora significativa del rendimiento, conjunto de datos, modelo senet-154
• Keywords:taxonomic loss, grained classification task, entropy loss, various neural network, different loss function, plant appearance features, proposed loss function, significant performance improvement, dataset, senet-154 model