Rozpoznávání rostlin a hub z obrázků

Abstract

Tato práce se zabývá rozpoznáváním druhů rostlin a hub z obrazu, od rozpoznávání skenů a fotografií listů a kůry v kontrolovaných podmínkách až po neomezená pozorování rostlin a hub "ve volné přírodě" s komplikovaným pozadím a změtí různých objektů ve scéně. Rozpoznávání kůry a listů jsme řešili pomocí rozpoznávání textury. Ke složitějším úlohám rozpoznávání druhů rostlin a hub s velkým množstvím trénovacích dat jsme použili hluboké učení neuronových sítí. V úlohách rozpoznávání druhů se apriorní pravděpodobnosti tříd na trénovací a testovací sadě často liší. Věnujeme se problémům přizpůsobení výstupů pravděpodobnostních klasifikátorů novým apriorním pravděpodobnostem a odhadu těchto pravděpodobností. Poukazujeme, že učení neuronové sítě minimalizací křížové entropie vytváří model, který by měl odhadovat aposteriorní pravděpodobnosti. Experimentálně ověřujeme některé statistické vlastnosti takových modelů. Pro odhad nových apriorních pravděpodobností porovnáváme metodu maximální věrohodnosti (MLE) a navržený přístup metodou Maximum a Posteriori (MAP), v níž přidáváme hyper-prior upřednostňující pravděpodobnostní rozdělení bližší rovnoměrnému rozdělení. Ukazujeme, že takový hyper-prior zvyšuje spolehlivost odhadu a přesnost klasifikace na několika klasifikačních úlohách.

The thesis contributes to fine-grained recognition of plant and fungi species from images, ranging from scans and photos of leaves and bark taken in controlled conditions to unconstrained observations of plants and fungi "in the wild" with complex background and clutter in the scene. The constrained tasks of bark and leaf identification are approached as a texture recognition problem. For more complex species recognition tasks with large scale datasets available, we take a deep learning approach. In many instances of the species recognition problem, test-time categorical priors differ from the training set. We address the problems of adjusting outputs of probabilistic classifiers to new priors and estimating the new priors. In particular, we note that training a neural network by cross entropy minimization leads to a model whose outputs should be an estimate of the posterior probabilities. We experimentally validate related statistical properties of the outputs of Convolutional Neural Network (CNN) classifiers. For estimation of test-time categorical priors, a Maximum Likelihood estimation approach is compared with a proposed Maximum a Posteriori estimation, adding a hyper-prior favouring dense prior distributions. We show that adding such hyper-prior increases the reliability of the estimate and increases the classification accuracy in several fine-grained classification tasks.