論文の概要: A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification

• arxiv url: http://arxiv.org/abs/2502.17289v1
• Date: Mon, 24 Feb 2025 16:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:35.350659
• Title: A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification
• Title（参考訳）: 医学植物分類におけるオープンワールドシナリオへの新たなアプローチ
• Authors: Soumen Sinha, Tanisha Rana, Rahul Roy,
• Abstract要約: 既存の薬草分類法は、しばしば階層的な分類や未知の種を正確に識別することができないことが観察された。 DenseNet121,Multi-Scale Self-Attention (MSSA) と階層分類のためのカスケード分類器を組み合わせた新しい手法を提案する。 提案するモデルサイズは,既存の最先端技術に比べて約4倍小さく,現実のアプリケーションに容易にデプロイできる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this article, we propose a novel approach for plant hierarchical taxonomy classification by posing the problem as an open class problem. It is observed that existing methods for medicinal plant classification often fail to perform hierarchical classification and accurately identifying unknown species, limiting their effectiveness in comprehensive plant taxonomy classification. Thus we address the problem of unknown species classification by assigning it best hierarchical labels. We propose a novel method, which integrates DenseNet121, Multi-Scale Self-Attention (MSSA) and cascaded classifiers for hierarchical classification. The approach systematically categorizes medicinal plants at multiple taxonomic levels, from phylum to species, ensuring detailed and precise classification. Using multi scale space attention, the model captures both local and global contextual information from the images, improving the distinction between similar species and the identification of new ones. It uses attention scores to focus on important features across multiple scales. The proposed method provides a solution for hierarchical classification, showcasing superior performance in identifying both known and unknown species. The model was tested on two state-of-art datasets with and without background artifacts and so that it can be deployed to tackle real word application. We used unknown species for testing our model. For unknown species the model achieved an average accuracy of 83.36%, 78.30%, 60.34% and 43.32% for predicting correct phylum, class, order and family respectively. Our proposed model size is almost four times less than the existing state of the art methods making it easily deploy able in real world application.
• Abstract（参考訳）: 本稿では,この問題をオープンクラス問題とみなして,植物階層型分類の新たなアプローチを提案する。 既存の医学的植物分類法は、しばしば階層的な分類を行なわず、未知の種を正確に同定することができず、包括的植物分類における有効性を制限している。 したがって、未知種分類の問題を、最も優れた階層ラベルを割り当てることによって解決する。 DenseNet121,Multi-Scale Self-Attention (MSSA) と階層分類のためのカスケード分類器を組み合わせた新しい手法を提案する。 このアプローチは、系統的に、植物から種まで、複数の分類レベルで薬草を分類し、詳細かつ正確な分類を確実にする。 マルチスケール空間アテンションを用いて、このモデルは画像から局所的およびグローバルな文脈情報をキャプチャし、類似した種間の区別を改善し、新しい種を識別する。 注意スコアを使用して、複数のスケールで重要な機能に集中します。 提案手法は, 未知種と未知種の両方を同定する上で, 優れた性能を示す階層分類の解を提供する。 このモデルは、背景アーティファクトのない2つの最先端データセットでテストされ、実際のワードアプリケーションに取り組むためにデプロイできる。 モデルをテストするために未知の種を使用しました。 未知種の平均精度は83.36%、78.30%、60.34%、43.32%であった。 提案するモデルサイズは,既存の最先端手法に比べて約4倍小さく,現実のアプリケーションに容易にデプロイできる。

関連論文リスト

• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• A Novel Plug-in Module for Fine-Grained Visual Classification [0.19336815376402716]
  本稿では,多くの一般的なバックボーンと一体化して,強力な識別領域を提供する新しいプラグインモジュールを提案する。 実験の結果,提案するプラグインモジュールは最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-08T12:35:58Z)
• Semi-Supervised Learning with Taxonomic Labels [42.02670649470055]
  細粒度領域で画像分類器を訓練するために,粗い分類ラベルを組み込む手法を提案する。 3つの王国にまたがる810種からなるSemi-iNatデータセットでは、フィラムラベルを組み込むことで、種レベルの分類精度が6%向上する。 本稿では,階層構造に導かれる未ラベル画像の集合から,ロバスト性を改善するための関連データを選択する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T00:50:25Z)
• Crop mapping from image time series: deep learning with multi-scale label hierarchies [22.58506027920305]
  専門家の知識を活用し,希少作物の分布を著しく改善する作物分類法を開発した。 3レベルラベル階層は畳み込みリカレントニューラルネットワーク(convRNN)に符号化される 我々は,提案手法を新たに公開する大規模データセット上で検証する。
  論文  参考訳（メタデータ） (2021-02-17T15:27:49Z)
• Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning [24.02524697784525]
  現在のハイパースペクトル画像分類は、事前に定義された分類体系が閉じて完成していると仮定する。 オープンワールドにおける分類と再構築を同時に行う深層学習手法を提案する。 提案手法は,特に数点の文脈下で,より高精度なハイパースペクトル画像分類を実現する。
  論文  参考訳（メタデータ） (2020-09-08T03:53:10Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。