Resumen

Los enfoques más comunes para la clasificación se basan en la inferencia de una clase específica. Sin embargo, cada categoría podría organizarse de forma natural dentro de un árbol taxonómico, desde el concepto más general hasta el elemento específico, y así es como funciona el conocimiento humano. Esta representación evita la necesidad de aprender más o menos las mismas características para una serie de categorías muy similares, y es más fácil de entender y de trabajar y proporciona una clasificación para cada nivel de abstracción. En este trabajo, realizamos un estudio exhaustivo de diferentes métodos para realizar una clasificación multinivel aplicada a la tarea de clasificar animales salvajes y especies vegetales. Se exploran diferentes bases convolucionales, configuraciones de datos y técnicas de ensamblaje para encontrar el modelo que proporcione el mejor rendimiento. Como se desprende de nuestra experimentación, para lograr el mejor rendimiento en los conjuntos de datos dispuestos en una estructura arbórea, el clasificador debe presentar una columna vertebral EfficientNetB5 con un tamaño de entrada de 300×300 px, seguida de un clasificador multinivel. Además, se debe llevar a cabo un proceso de aumento de datos de Cultivo Multiescala. Finalmente, la precisión de esta configuración es de un 62% de precisión top-1 y un 88% de precisión top-5. La arquitectura podría beneficiarse de un aumento de la precisión si participa en un conjunto de clasificadores en cascada, pero la demanda computacional es insoportable para cualquier aplicación real.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:mejor rendimiento, precisión, proceso de aumento de datos, aumento de datos de cultivos, diferentes columnas vertebrales convolucionales, datos de cultivos multiescala, elementos específicos, clasificación, animal salvaje, especie vegetal
• Keywords:best performance, accuracy, data augmentation process, crop data augmentation, different convolutional backbone, multiscale crop data, specific elements, classification, wild animal, plant species