A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification

要約

この記事では、問題をオープンクラスの問題として提起することにより、植物の階層分類分類のための新しいアプローチを提案します。
薬用植物分類のための既存の方法は、しばしば階層分類を実行し、未知の種を正確に識別できず、包括的な植物分類分類における有効性を制限することが観察されています。
したがって、最良の階層ラベルを割り当てることにより、未知の種の分類の問題に対処します。
階層分類のために、Densenet121、マルチスケールの自己attention（MSSA）、およびカスケード分類子を統合する新しい方法を提案します。
このアプローチは、門から種まで、複数の分類学的レベルで薬用植物を体系的に分類し、詳細かつ正確な分類を確保します。
マルチスケール空間の注意を使用して、このモデルは画像からローカルおよびグローバルのコンテキスト情報の両方をキャプチャし、同様の種と新しい種の識別を改善します。
注意スコアを使用して、複数のスケールで重要な機能に焦点を当てます。
提案された方法は、階層分類の解決策を提供し、既知の種と未知の種の両方を識別する上で優れた性能を示します。
このモデルは、バックグラウンドアーティファクトを持つ場合と使用しない2つの最先端のデータセットでテストされ、実際の単語アプリケーションに取り組むために展開できます。
モデルをテストするために未知の種を使用しました。
未知の種の場合、モデルは、それぞれ正しい門、クラス、順序、および家族を予測するために、それぞれ83.36％、78.30％、60.34％、43.32％の平均精度を達成しました。
提案されているモデルサイズは、既存の最先端のメソッドのほぼ4倍少ないため、現実世界のアプリケーションで簡単に展開できます。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google