| Revista: | Realidad, datos y espacio. Revista internacional de estadística y geografía |
| Base de datos: | CLASE |
| Número de sistema: | 000528706 |
| ISSN: | 2007-2961 |
| Autores: | Vega López, Inés Fernando1 Vega Aviña, Rito1 Delgado Vargas, Francisco1 Morales Casas, Zuriel Ernesto2 Díaz Gaxiola, Eduardo1 Campos Leal, Juan Augusto1 Berger Castro, José Abraham1 Beltrán Gutiérrez, Gerardo1 Yee Rendón, Arturo1 |
| Instituciones: | 1Universidad Autónoma de Sinaloa, Culiacán, Sinaloa. México 2Intellion, Culiacán, Sinaloa. México |
| Año: | 2023 |
| Periodo: | Ene |
| Volumen: | 14 |
| Número: | 1 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | A partir del 2012, las técnicas de aprendizaje profundo (AP) se han convertido en la base de grandes avances en la identificación automatizada de plantas. Este artículo presenta un estudio comparativo de arquitecturas de redes neuronales convolucionales aplicadas al problema de identificación de especies de la flora mexicana a partir de imágenes digitales. Con este fin, se construyó un modelo de clasificación a partir de la arquitectura de Inception-v4 usando un conjunto de datos de vegetación nativa de México. Este consta de 17 900 imágenes a color de 202 especies de plantas. Los resultados experimentales nos muestran que las estrategias de aprendizaje por transferencia y aumento de datos mejoran sustancialmente el desempeño de modelos basados en el AP. En particular, para Inception-v4 observamos una tasa de aciertos de 86.97 y 94.39 % en los índices Top-1 y Top-5, respectivamente |
| Resumen en inglés | Since 2012, deep learning techniques have become the foundations of many breakthroughs in automated identification of plants from digital images. This paper presents a comprehensive study of Convolutional Neural Network (CNN) architectures applied to the problem of classification of Mexican plant species from digital images. For this purpose, a classification model was built based on the Inception-v4 architecture using a dataset of Mexican native flora. This dataset consists of 17 900 color images of 202 plant species. The experimental results show that transfer learning and data augmentation significantly improve a model’s performance for plant species identification. In particular, the best performance achieved by Inception-v4 was 86.97% for Top-1 accuracy and 94.39% for Top-5 |
| Disciplinas: | Geografía, Ciencias de la computación |
| Palabras clave: | Procesamiento de datos, Arquitectura de redes neuronales, Especies vegetales, Técnicas de aprendizaje profundo, Aprendizaje por transferencia |
| Texto completo: | https://rde.inegi.org.mx/index.php/2023/01/05/identificacion-de-especies-de-plantas-de-la-flora-mexicana-utilizando-aprendizaje-por-transferencia-a-traves-de-inception-v4/ |
