データ拡張を利用した葉の認識のための畳み込みニューラルネットワーク

最近、畳み込みニューラルネットワーク（ConvNets）は、特にコンピュータービジョンの分野で、さまざまな認識において素晴らしい成果を挙げています。本論文では、葉の認識のためにデータ拡張を用いた7層のConvNetを提案します。まず、ラベルを変更せずにデータセットを拡大するために、多様な変換（例：回転や移動など）を実施します。この新しい手法は、過学習の程度を減少させ、ConvNetの一般化能力を高めることができるため、最近、ConvNetsの性能に大きな貢献をしています。さらに、葉の形状を得るために、すべての画像をランダムなパラメータでシャープ化します。この方法はエッジ検出に似ており、画像分類において有用であることが証明されています。その後、深層畳み込みニューラルネットワークを訓練し、3つのグループのテストセットを用いて増強された葉データを分類します。最終的に、この方法が非常に実用的で効果的であることがわかりました。我々のアルゴリズムによって達成された精度は、人気のある葉データセットFlaviaにおける教師あり学習の他の方法を上回っています。