近年来，通过深度学习对植物表型的研究受到越来越多的关注，在植物育种领域取得了令人瞩目的进展。在植物表型分类和识别任务领域，深度学习极其依赖于大量的训练数据来提取和识别目标特征。然而，对于一些品种数量庞大的花卉品种识别任务，传统的深度学习方法很难在有限的样本数据下取得较好的识别效果。为此，提出了一种基于度量学习的花卉品种识别方法。


在分类网络中加入中心丢失，使类间样本分散，类内样本紧凑，并使用ResNet18、ResNet50和DenseNet121脚本进行特征提取。为了评估所提出方法的有效性，选择了一个公共数据集 Oxford 102 Flowers 数据集和我们构建的两个新数据集。对于中心损耗和L2 softmax损耗联合监测的方法，三组数据的测试准确率分别为91.88%、97.34%和99.82%。通过T分布随机邻域嵌入（T-SNE）观测到的特征分布，验证了该方法的有效性。


菊花测试集的ROC曲线。a ResNet18 (P=5，K=10)、b ResNet18 (P=18，K=5)、c ResNet50 (P=5，K=10)、d ResNet50 (P=18，K=5)、e DenseNet121 (P=5，K=10)

作者提出了一种高效的度量学习方法用于花卉品种识别，该方法不仅具有较高的识别率，而且使从识别网络中提取的特征具有可解释性。本研究表明，该方法为少量数据在鉴定领域的应用提供了新思路，对花卉品种鉴定研究具有重要的参考意义。

来源：Plant Methods.Metric learning for image-based flower crs identification.
Ruisong Zhang, Ye Tian, Junmei Zhang, Silan Dai, Xiaogai Hou, Jue Wang & Qi Guo 
/articles/10.1186/s13007-021-00767-w