Notice bibliographique
Résumé
Automatically distinguishing different types of plant images is a challenging problem relevant to both Botany and Computer Science disciplines. Plant identification at the species level is a computer vision task called fine-grained categorization, which focuses on differentiating between hard-to-distinguish object classes. This classification problem is complicated and challenging because of the lack of annotated data, inter-species similarity, the large-scale features in appearance, and a large number of plant species. A plant classification system capable of addressing the complexity of this computer vision problem has important implications for society at large, not only in public computer science education but also in numerous agricultural activities such as automatic detection of cash crops and non-crop plants (called weeds). Furthermore, successful automation of crop and weed identification will lead to the reduction of chemical compounds currently used to eliminate weeds [15]. Deep Convolutional Neural Networks (CNN) can be a solution to perform this computer vision task. In this thesis, seven different CNN models are deployed to classify 1 million images - from the TerraByte dataset - of eleven very similar plant species [13]. This robust approach divides the problem into two main steps: the first step, called the generalist, identifies similar plants and separates them into different groups that contain indistinguishable plant species. The second step, called specialist, is used to classify plants within the groups of indistinguishable plants, including five weed and seven crop species, with high accuracy. The generalist-specialist CNN network shows that the hierarchical network outperforms simple CNN models in terms of accuracy and classifying similar plant images. The contributions of this thesis are the explored different CNN models and improved performance of those models by designing and implementing the generalist-specialist CNN models for classifying similar plant images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».