Paper Review - Evaluation of Features for Leaf Classification in Challenging Conditions

이 포스트에서는 2015년 IEEE Winter Conference on Applications of Computer Vision 에 실린 “Evaluation of Features for Leaf Classification in Challenging Conditions” 논문에 대해 살펴보겠습니다.

Key Point

• examine the robustness of a range of features to a variety of condition variations including: translation, scaling, rotation, occlusion and shadowing
• combined ConvNet features and HCFs

Dataset

1. Flavia dataset[2]
   • 1,907개의 잎사귀 이미지가 포함되어 있음
   • 32개의 식물 종으로 구성되며, 각각의 식물 종당 약 50개의 이미지가 포함됨

Approach & Model

1. Base Network로 CaffeNet을 사용해서 ConvNet feature로 사용함
2. 기존에 사용된 Hand-Crafted shape and statistical features 중, scale 변화에 강인한 특징들을 골라서 ScaleRobust HCFs로 구성함

1. ConvNet feature와 ScaleRobust HCFs를 Random Forest Classifier를 이용해서 분류처리함

Experiments

1. 기존의 특징들(HCF, HoCS, 등)을 이용한 분류 방법과, ConvNet + ScaleRobust HCFs 와의 비교 분석을 수행함
   • 이 때, 모델들의 강인함(Robustness) 정도를 측정하기 위해서, 테스트 데이터에 대해 다양한 조건(translation, scaling, rotation, occlustion 등등)들을 설정해서 실험함

References

[1] Evaluation of Features for Leaf Classification in Challenging Conditions, 2015 [paper]
[2] Flavia leaf Dataset [site]