Một phương pháp kết hợp muộn cho nhận dạng cây dựa trên nhiều ảnh bộ phận cây

Nhận dạng cây với mục đích là xác định tên của loài cây từ các ảnh quan sát được của loài cây. Các nghiên cứu trước đây thường mới tập trung cho kết hợp dựa trên hai bộ phận. Trong bài báo này, một phương pháp kết hợp muộn cho bài toán nhận dạng cây dựa trên nhiều ảnh bộ phận của cây được đề xuất áp dụng cho việc kết hợp từ hai cho đến sáu bộ phận của cây theo các bộ phận lá, hoa, quả, thân, cành, toàn bộ cây.

ISSN: 1859-2171 e-ISSN: 2615-9562 TNU Journal of Science and Technology 225(06): 541 - 547 MỘT PHƯƠNG PHÁP KẾT HỢP MUỘN CHO NHẬN DẠNG CÂY DỰA TRÊN NHIỀU ẢNH BỘ PHẬN CÂY Nguyễn Thị Thanh Nhàn Trường Đại học Công nghệ thơng tin Truyền thơng – ĐH Thái Ngun TĨM TẮT Nhận dạng với mục đích xác định tên loài từ ảnh quan sát loài Các nghiên cứu trước thường tập trung cho kết hợp dựa hai phận Trong báo này, phương pháp kết hợp muộn cho toán nhận dạng dựa nhiều ảnh phận đề xuất áp dụng cho việc kết hợp từ hai sáu phận theo phận lá, hoa, quả, thân, cành, toàn Phương pháp xây dựng dựa việc kết hợp luật nhân luật tổng có sử dụng trọng số gán cho phận Việc nhận dạng đơn phận áp dụng phương pháp học sâu đại Các kết thực nghiệm hiệu phương pháp đề xuất, vượt trội so với phương pháp kết hợp theo luật lớn nhất, luật tổng, luật nhân Phương pháp kết hợp nhiều phận độ xác đạt cao Phương pháp đề xuất đạt độ xác cao 98,8% thực kết hợp sáu phận Từ khóa: Kết hợp muộn; học sâu; luật nhân; luật tổng; nhận dạng Ngày nhận bài: 12/5/2020; Ngày hoàn thiện: 31/5/2020; Ngày duyệt đăng: 31/5/2020 A LATE FUSION METHOD FOR MULTI-ORGAN PLANT IDENTIFICATION Nguyen Thi Thanh Nhan TNU - University of Information and Communication Technology ABSTRACT Plant identification that aims at determining the name of plant species from images of plant species’ observation Previous studies have often focused on two organs In this paper, a new late fusion method for multi-organ plant identification is proposed for combining two to six organs according to leaf, flower, fruit, stem, branch, entire This method is based on combining the product rule and sum rule using weights assigned to plant organs A deep learning method- a state of the art method- is applied for single organ identification The experimental results have shown the effectiveness of the proposed method, it outperforms than max rule, sum rule, product rule The results also indicate that the more organs are combined, the better the identification accuracy is The proposed method achieves the highest accuracy of 98.8% when combining organs Keywords: late fusion; deep learning; product rule; sum rule; plant identification Received: 12/5/2020; Revised: 31/5/2020; Published: 31/5/2020 Email:nttnhan@ictu.edu.vn http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn 541 Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CƠNG NGHỆ ĐHTN Giới thiệu Nhận dạng tự động máy tính điện tử quan tâm với mục đích giúp cộng đồng người dùng dễ dàng nhận dạng cối họ quan tâm, từ giúp bảo tồn đa dạng thực vật [1] Các nghiên cứu trước thường tập trung nhận dạng dựa phận chủ yếu đạt số kết ấn tượng Tuy nhiên với số lượng lớn loài, độ xác nhận dạng dựa phận cịn số hạn chế Hình ảnh phận không đủ thông tin để nhận dạng giống lớn loài khác khác biệt lớn ảnh phận loài Gần nghiên cứu chuyển sang tập trung nhận dạng dựa nhiều ảnh phận cho phép cung cấp nhiều thông tin giúp cải thiện kết nhận dạng cây, đặc biệt có đời sở liệu công bố cập nhật hàng năm thi nhận dạng khuôn khổ thi LifeCLEF với liệu nhiều ảnh phận [2]-[6] Tại thời điểm quan sát, phận không tồn tại, xem xét việc kết hợp phận khác Đây nhu cầu thực tế người dùng cố gắng nhận dạng dựa quan sát khác cây, điều với quan điểm nhận dạng nhà thực vật học Việc quan sát phận khác cho phép nhà thực vật học phân biệt rõ lồi mà gây nhầm lẫn sử dụng phận Các phương pháp kết hợp kết nhận dạng dựa nhiều phận chia thành nhóm phương pháp kết hợp sớm phương pháp kết hợp muộn Đầu tiên phương pháp kết hợp sớm thực kết hợp đặc trưng phận khác trước thực phân lớp [7] Thứ hai phương pháp kết hợp muộn, phận thực phân lớp riêng biệt, kết nhận dạng 542 225(06): 541 - 547 phân lớp kết hợp lại với kết nhận dạng cuối Phương pháp kết hợp muộn thường kết hợp dựa độ tin cậy trả Có số nghiên cứu áp dụng phương pháp kết hợp muộn áp dụng cho nhận dạng từ kết nhận dạng phận khác Các phương pháp kết hợp thường sử dụng cho tốn nhận dạng kể đến luật nhân [8], luật trung bình [9], luật lớn nhất, luật tổng [10], [11] luật nhỏ [12], luật IprMNZ [4], luật bình chọn theo số đơng (majority voting rule) [13], luật tổng có trọng số [14] Các phương pháp thường sử dụng tính đơn giản hiệu phương pháp Các nghiên cứu trước nhận dạng dựa nhiều phận cho kết tốt nhận dạng dựa phận [6], [15], [16], tập trung cho nhận dạng dựa hai phận [9] Với mục đích tiếp tục cải thiện khả kết hợp, báo đề xuất phương pháp kết hợp việc kết hợp phương pháp kết hợp có, có sử dụng trọng số gán cho phận Bài báo thực kết hợp cho nhiều hai phận Với nhận dạng cho phận, phương pháp học sâu áp dụng để nâng cao kết nhận dạng Nội dung phần trình bày chi tiết phương pháp đề xuất, phần trình bày kết đạt phần cuối phần kết luận Phương pháp kết hợp đề xuất cho nhận dạng dựa nhiều ảnh phận Trong báo này, tác giả đề xuất phương pháp kết hợp dựa việc kết hợp phương pháp có, có sử dụng trọng số phận gán cho Câu truy vấn đầu vào gồm N ảnh N phận quan tâm Trong thực nghiệm, N biến đổi từ đến Cho phận, phân lớp tương ứng xây dựng Với ảnh đầu vào mơ hình trả danh sách loài tương ứng với độ tin cậy kèm theo Phương http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CƠNG NGHỆ ĐHTN pháp kết hợp lấy danh sách độ tin cậy đầu vào, sau thực kết hợp độ tin cậy để trả danh sách lồi Đóng góp báo đề xuất phương pháp kết hợp khơng tính tổng qt phương nhận dạng áp dụng cho việc nhận dạng phận Một số ký hiệu sử dụng sau: • 𝑞 = {𝐼1 , 𝐼2 , … , 𝐼𝑁 } câu truy vấn chứa 𝑁 ảnh 𝑁 phận; • 𝐶: số lớp sở liệu; • 𝑠𝑖 (𝐼𝑘 ) độ tin cậy loài 𝑖 sử dụng ảnh 𝐼𝑘 câu truy vấn từ nhận dạng đơn phận tương ứng, ≤ 𝑖 ≤ 𝐶, ≤ 𝑘 ≤ 𝑁; • 𝑐: lớp dự đốn lồi cho câu truy vấn 𝑞 Một số phương pháp kết hợp bản: Luật lớn (Max rule) phương pháp kết hợp phổ biến Độ tin cậy lớn lựa chọn danh sách độ tin cậy độ tin cậy trả [17] Trong trường hợp câu truy vấn 𝑞 gán vào lớp 𝑐 sau: 𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1 𝑁 { max {𝑠𝑖 (𝐼𝑘 )}} 𝑘=1 𝑁 (1) Luật tổng (Sum rule) luật kết hợp sử dụng phổ biến [17] Tổng độ tin cậy trả Luật tổng gán câu truy vấn lớp 𝑐 sau: 𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1 𝑁 {∑𝑁 𝑘=1 𝑠𝑖 (𝐼𝑘 )} (2) Luật nhân (Product rule) tính độ tin cậy độ tin cậy trả [17] Câu truy vấn 𝑞 gán vào lớp 𝑐 sau: 𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1 𝑁 {∏𝑁 𝑘=1 𝑠𝑖 (𝐼𝑘 )} (3) Phương pháp kết hợp đề xuất Từ việc quan sát phận có vai trị khác trình nhận dạng cây, tác giả gán trọng số cho phận sử dụng luật tổng có gán trọng số Sau xuất phát từ ý tưởng kết hợp phương pháp kết hợp có Ở tác giả đề http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn 225(06): 541 - 547 xuất phương pháp kết hợp luật nhân luật tổng có gán trọng số cho phận, việc tích hợp thực dựa toán tử nhân Đầu tiên phận gán trọng số, trọng số thể tầm quan trọng phận với phận khác trình nhận dạng Bộ phận Ok gán trọng số wk Dựa kết nghiên cứu [18] kết nhận dạng dựa mạng khác cho phận xếp theo chiều giảm dần hoa, lá, quả, cành, thân, tồn Do báo trọng số gán cho phận có giá trị giảm dần cho phận hoa, lá, quả, cành, thân, toàn Cụ thể, phần thực nghiệm trọng số cho phận gán sau: hoa: 6, lá: 5, quả: 4, cành: 3, thân: 2, toàn cây: Phương pháp kết hợp đề xuất sau, tích độ tin cậy trả nhân với tổng có trọng độ tin cậy Câu truy vấn 𝑞 gán vào lớp 𝑐 sau: 𝑁 𝑁 𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1 𝑁 {(∑ 𝑠𝑖 (𝐼𝑘 ) 𝑤𝑘 ) (∏ 𝑠𝑖 (𝐼𝑘 ))} (4) 𝑘=1 𝑘=1 Với phương pháp đề xuất độ tin cậy 𝑠𝑖 (𝐼𝑘 ) cao giá trị ∏𝑁 𝑘=1 𝑠𝑖 (𝐼𝑘 ) 𝑁 ∑𝑘=1 𝑠𝑖 (𝐼𝑘 ) 𝑤𝑘 cao Việc kết hợp toán tử nhân cặp giá trị giúp gia tăng khoảng cách chênh lệnh với cặp độ tin cậy trả có giá trị thấp hơn, giúp cho việc dự đốn lớp trả có độ xác cao Phương pháp giúp gia tăng độ tin cậy lớp trả gán trọng số cho phận, ưu tiên kết nhận dạng cho ảnh thuộc phận gán trọng số cao, việc kết hợp hai phương pháp tận dụng ưu điểm phương pháp Để so sánh hiệu phương pháp đề xuất, tác giả thực so sánh với phương pháp sở luật lớn nhất, luật tổng, luật nhân Đối với việc xây dựng phân lớp cho nhận dạng đơn phận, phân lớp áp dụng Các nghiên cứu liên quan phương pháp học sâu cho kết nhận dạng tốt so với 543 Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 phương pháp dựa việc trích chọn đặc trưng tự thiết kế đặc biệt làm việc với sở liệu lớn đa dạng [6] Do vậy, báo tác giả áp dụng kiến trúc học sâu sử dụng mạng nơ-ron tích chập GoogLeNet cho nhận dạng đơn phận hình ảnh thuộc phận, ảnh sở liệu thực nghiệm hầu hết có phức tạp GoogLeNet chiến thắng thi nhận dạng đối tượng sở liệu hình ảnh lớn, đa dạng ImageNet năm 2014 [19] GoogLeNet có kiến trúc sâu rộng so với nhiều kiến trúc mạng khác AlexNet, VGGNet Mạng cho phép giảm số lượng lớn tham số huấn luyện Nó bao gồm 6,8 triệu tham số, 22 lớp với mô đun lặp (inception), lớp nhân chập, lớp chuẩn hóa, lớp giảm chiều, lớp kết nối đầy đủ, lớp tuyến tính với hàm kích hoạt Softmax phân lớp Một môđun inception sử dụng song song lớp nhân chập có kích thước × 1, × 3, × với lớp khác để giảm số chiều Kiến trúc gọi kiến trúc mạng mạng Trong trình huấn luyện GoogLeNet kết nối với phân lớp phụ trợ với lớp mạng để tiến hành hiệu tính tốn lan truyền ngược qua tất lớp Ở phận huấn luyện mạng GoogLeNet riêng biệt Lá Hoa Cành Toàn Quả Thân Kết thực nghiệm Các kết thực nghiệm tiến hành sở liệu hình ảnh với phận lá, hoa, toàn cây, cành, thân Để triển khai thành công phương pháp học sâu, sở liệu nhiều ảnh huấn luyện yêu cầu, tác giả tiến hành trích rút 50 lồi phổ biến (có đủ phận chứa nhiều hình ảnh) từ sở liệu LifeCLEF 2015 Để gia tăng kích thước sở liệu tác giả tiến hành thu thập thêm ảnh internet thông qua tên 50 loài Các kết ảnh thu thập được, sau đánh giá chuyên gia thực vật học Thơng tin chi tiết trình bày bảng Hình biểu diễn 544 Bảng Cơ sở liệu 50 loài với phận Tập huấn luyện 1930 1650 1388 825 3821 2912 Tập kiểm thử 776 673 553 341 500 500 Tổng 2706 2323 1941 1166 4321 3412 Hình Ảnh phận loài Cotinus coggygria Scop 3.1 Nhận dạng dựa phận Các kết thực nghiệm tiến hành máy chủ với cấu hình: 2,20 GHz CPU, 16 GB RAM, GeForce GTX 1080 Ti GPU, thực khung học sâu Caffe TensorFlow Kỹ thuật học chuyển đổi (transfer learning) tinh chỉnh tham số áp dụng mạng GoogLeNet Bộ trọng số tiền huấn luyện sở liệu lớn đa dạng ImageNet áp dụng trọng số khởi tạo cho q trình huấn luyện Mơ hình tối ưu cho phù hợp với tốn nhận dạng cây, tham số tinh chỉnh, tối ưu sau: learning_rate: 0,001, batch_size: 32, weight_decay: 0,0002, dropout: 0,4 Việc lựa chọn tham số dựa việc nghiên cứu kết liên quan, thực nghiệm cấu hình máy thực nghiệm http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CƠNG NGHỆ ĐHTN Các kết đạt cho nhận dạng dựa đơn phận áp dụng mạng GoogLeNet bảng Bộ phận hoa cho kết nhận dạng cao 82,2% phận hoa có nhiều đặc điểm bề ngồi (màu sắc, hình dạng) có tính chất phân biệt cao loài Bộ phận toàn cho kết nhận dạng thấp phận thường chụp góc nhìn xa tương tự lớn loài dựa ảnh toàn cây, nên độ phân biệt không cao Bảng Kết nhận dạng đơn phận Bộ phận Lá (Le) Độ xác hạng (%) 75,0 Hoa (Fl) 82,2 Cành (Br) 53,2 Toàn (En) 36,4 Quả (Fr) 68,8 Thân (St) 37,6 3.2 Đánh giá phương pháp kết hợp đề xuất cho nhận dạng dựa nhiều ảnh phận Các kết thực nghiệm tiến hành kết hợp cho cặp từ đến phận cho việc nhận dạng dựa nhiều ảnh phận Các kết bảng 3, có tổng tất 57 trường hợp kết hợp Khi so sánh với phương pháp kết hợp lấy giá trị lớn nhất, lấy giá trị tổng, lấy giá trị nhân phương pháp đề xuất cho kết tốt Phương pháp đề xuất cho kết vượt trội phương pháp lấy giá trị lớn phương pháp lấy tổng Còn so sánh với phương pháp nhân phương pháp đề xuất cho kết cao chút tổng 47 trường hợp 57 trường hợp kết hợp Trong 10 trường hợp lại phương pháp đề xuất phương pháp nhân khoảng từ 0,2 đến 1% Điều hiệu phương pháp đề xuất http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn 225(06): 541 - 547 Bảng Độ xác hạng 1(%) kết hợp phận khác Phần in đậm kết đạt tốt theo hàng Các phận kết hợp Le+Fl Le+Br Le+En Le+Fr Le+St Fl+Br Fl+En Fl+Fr Fl+St Br+En Br+Fr Br+St En+Fr En+St Fr+St Le+Fl+Br Le+Fl+En Le+Fl+Fr Le+Fl+St Le+Br+En Le+Br+Fr Le+Br+St Le+En+Fr Le+En+St Le+Fr+St Fl+Br+En Fl+Br+Fr Fl+Br+St Fl+En+Fr Fl+En+St Fl+Fr+St Br+En+Fr Br+En+St En+Fr+St Br+Fr+St Le+Fl+Br+En Le+Fl+Br+Fr Le+Fl+Br+St Le+Fl+En+Fr Le+Fl+En+St Le+Fl+Fr+St Le+Br+En+Fr Le+Br+En+St Le+Br+Fr+St Le+En+Fr+St Fl+Br+En+Fr Fl+Br+En+St Fl+Br+Fr+St Br+En+Fr+St Fl+En+Fr+St Le+Fl+Br+En+Fr Le+Fl+Br+En+St Le+Br+En+Fr+St Fl+Br+En+Fr+St Luật lớn 91,4 79,8 74,6 84,0 75,0 85,0 79,2 89,4 82,4 58,0 75,4 60,4 72,8 50,8 72,0 91,4 91,4 91,4 91,4 79,8 79,8 79,8 74,6 74,6 84,0 85,0 85,0 85,0 79,2 79,2 89,4 58,0 58,0 72,8 75,4 89,6 93,2 91,4 92,6 90,2 93,0 86,2 80,4 87,0 85,4 88,4 84,8 90,8 80,4 89,6 89,6 89,6 86,2 88,4 Luật tổng Luật nhân 92,0 81,0 75,0 84,4 75,0 86,0 79,8 90,0 82,8 58,8 75,6 61,0 73,6 51,0 72,6 93,2 92,4 95,8 92,2 81,8 90,4 83,4 87,4 80,2 86,0 85,0 93,0 86,2 91,0 83,4 91,0 81,8 67,4 78,2 81,8 94,2 96,2 92,6 96,0 93,2 95,8 90,8 84,8 90,4 89,6 93,8 88,0 92,4 85,4 91,6 96,6 94,4 91,4 94,2 95,4 84,6 79,2 87,6 79,0 90,2 83,4 94,4 85,6 61,8 82,6 66,6 78,4 54,4 74,6 96,2 96,0 97,6 94,8 87,0 93,2 87,0 93,6 81,4 90,4 91,2 95,6 91,4 93,6 88,6 93,2 87,8 74,6 82,4 86,4 97,4 98,2 98,0 98,2 96,6 97,8 95,6 90,6 94,4 92,8 96,8 93,0 95,0 89,6 95,2 98,0 97,8 96,6 96,8 Phương pháp đề xuất 95,8 84,8 79,4 87,6 80,2 91,2 84,6 94,2 87,0 63,8 81,6 66,4 80,0 53,4 74,4 96,6 96,2 97,8 94,8 88,0 93,6 87,2 93,0 84,6 91,0 92,2 96,0 91,8 94,8 89,2 93,8 88,0 75,2 83,6 86,0 97,2 98,2 97,6 98,4 96,8 97,8 95,6 90,8 94,4 92,8 96,8 93,6 96,0 90,0 95,8 98,6 97,8 96,4 97,4 545 Nguyễn Thị Thanh Nhàn Các phận kết hợp Le+Fl+Br+Fr+St Le+Fl+En+Fr+St Le+Fl+Br+En+Fr+St Luật lớn 93,2 92,6 92,6 Tạp chí KHOA HỌC & CƠNG NGHỆ ĐHTN Luật tổng Luật nhân 95,2 96,6 96,2 98,0 98,2 98,8 Phương pháp đề xuất 98,2 98,2 98,8 Ngoài số kết luận khác rút từ bảng sau Đầu tiên, nhiều phận kết hợp kết nhận dạng cao, điều rõ hình với kết nhận dạng cho số cặp phận áp dụng phương pháp đề xuất Ví dụ, sử dụng ảnh hoa đạt kết 82,2% 75,0% hạng cho liệu kiểm thử Khi thực kết hợp hai phận theo phương pháp đề xuất đạt kết vượt trội 95,8% cải thiện kết so với phận hoa 13,6% phận 20,8% Các kết kết hợp phận thường cải thiện nhiều kết hợp với phận có kết nhận dạng cao nhận dạng đơn phận hay phận gán trọng số cao, ví dụ phận hoa, Các kết nhận dạng tiếp tục cải thiện kết hợp nhiều phận Kết nhận dạng đạt tốt ba phận, bốn phận, năm phận tất phận 95,8%, 97,8%, 98,4%, 98,6%, 98,8% Khi kết hợp nhiều phận tốc độ cải thiện nhận dạng giảm Hình Kết nhận dạng phương pháp kết hợp đề xuất cho nhiều phận Thứ hai, quan sát thấy việc kết hợp nhiều phận cho phép cải thiện cận cận phạm vi độ xác Độ xác sử dụng phận biến đổi phạm vi [37,6%-82,2%] Phạm vi độ xác tăng lên kết 546 225(06): 541 - 547 hợp hai, ba, bốn, năm sáu phận [53,4%-95,8%], [75,2%-97,8%], [90,0%98,4%], [96,4%-98,6%] 98,8% Phương pháp đề xuất cho phép kết hợp ảnh phận cần nhận dạng có kết cao Cách tiếp cận linh hoạt, phù hợp với thực tế khơng phải tồn sẵn tất phận thời điểm Khi kết hợp ưu tiên kết hợp phận có trọng số cao trước Kết luận Một phương pháp kết hợp cho nhận dạng dựa nhiều ảnh phận đề xuất thực kết hợp luật nhân luật tổng có gán trọng số cho phận Các kết phương pháp đề xuất hiệu so sánh với phương pháp lấy giá trị lớn nhất, lấy tổng phương pháp nhân Bài báo tiến hành 57 thực nghiệm cho cặp phận từ hai đến sáu phận, từ phân tích đưa số gợi ý cho nhận dạng dựa nhiều ảnh phận TÀI LIỆU THAM KHẢO/ REFERENCES [1] J Wäldchen, and P Mäder, "Plant species identification using computer vision techniques: A systematic literature review," Archives of Computational Methods in Engineering, vol 25, no 2, pp 507-543, 2018 [2] H Goëau, P Bonnet, and A Joly "Lifeclef plant identification task 2015," in CEUR-WS (Ed.), CLEF: Conference and Labs of the Evaluation forum, vol 1391 of CLEF2015 Working notes, Toulouse, France, 2015 [3] H Goëau, P Bonnet, A Joly, V Bakic, D Barthélémy, N Boujemaa, and J -F Molino, “The imageclef 2013 plant identification task,” in CLEF: Conference and Labs of the Evaluation forum, 2013 [4] H Goëau, A Joly, P Bonnet, S Selmi, J.-F Molino, D Barthélémy, and N Boujemaa, “Lifeclef plant identification task 2014,” in CLEF2014 Working Notes Working Notes for CLEF 2014 Conference, Sheffield, UK, September 15-18, 2014, pp 598-615 [5] H Goëau, P Bonnet, and A Joly, “Plant identification in an open-world (lifeclef http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 2016),” CLEF working notes 2016, 2016, pp 428-439 [6] H Goëau, P Bonnet, and A Joly, “Plant identification based on noisy web data: the amazing performance of deep learning (lifeclef 2017),” CEUR Workshop Proceedings, 2017 [7] A He, and X Tian, “Multi-organ plant identification with multi-column deep convolutional neural networks”, in 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC) 2016, 2016, pp 002020-002025 [8] J Kittler, M Hatef, R P Duin, and J Matas, “On combining classifiers,” IEEE transactions on pattern analysis and machine intelligence, vol 20, no 3, pp 226-239, 1998 [9] H Nakayama, “Nlab-utokyo at imageclef 2013 plant identification task,” in: CLEF (Working Notes), 2013 [10] I Mohamed, L Diane, and P Frédéric, “Plant species recognition using bag- of-word with svm classifier in the context of the lifeclef challenge”, Working Notes of CLEF, 2014 [11] M Rzanny, P Mader, A Deggelmann, M Chen, and J Waldchen, “Flowers, leaves or both? how to obtain suitable images for automated plant identification,” Plant Methods, vol 15, no 77, pp 1-11, 2019 [12] I Dimitrovski, G Madjarov, D Kocev, and P Lameski, “Maestra at lifeclef 2014 plant task: Plant identification using visual data,” in CLEF (Working Notes), 2014, pp 705-714 http://jst.tnu.edu.vn; Email: jst@tnu.edu.vn 225(06): 541 - 547 [13] S Choi, “Plant identification with deep convolutional neural network: Snumedinfo at lifeclef plant identification task 2015,” in CLEF (Working Notes), 2015 [14] G Cerutti, L Tougne, C Sacca, T Joliveau, P.-O Mazagol, D Coquin, and A Vacavant, “Late information fusion for multi-modality plant species identification,” in Working notes for Conference and Labs of the Evaluation Forum, 2013 [15] H Zhu, X Huang, S Zhang, and P C Yuen, “Plant identification via multipath sparse coding,” Multimedia Tools and Applications vol 76, no 3, pp 4599-4615, 2017 [16] S H Lee, Y L Chang, and C S Chan, “Lifeclef 2017 plant identification challenge: Classifying plants using generic-organ correlation features,” Working Notes of CLEF, 2017 [17] A Jain, K Nandakumar, and A Ross, "Score normalization in multimodal biometric systems," Pattern recognition, vol 38, no 12, pp 2270-2285, 2005 [18] Ghazi, M Mehdipour, B Yanikoglu, and E Aptoula, "Plant Identification Using Deep Neural Networks via Optimization of Transfer Learning arameters," Neurocomputing, vol 235, pp 228-235, 2017 [19] C Szegedy, W Liu, Y Jia, P Sermanet, S Reed, D Anguelov, D Erhan, V Vanhoucke, and A Rabinovich, “Going deeper with convolutions,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp 1-9 547 ... khả kết hợp, báo đề xuất phương pháp kết hợp việc kết hợp phương pháp kết hợp có, có sử dụng trọng số gán cho phận Bài báo thực kết hợp cho nhiều hai phận Với nhận dạng cho phận, phương pháp. .. 37,6 3.2 Đánh giá phương pháp kết hợp đề xuất cho nhận dạng dựa nhiều ảnh phận Các kết thực nghiệm tiến hành kết hợp cho cặp từ đến phận cho việc nhận dạng dựa nhiều ảnh phận Các kết bảng 3, có... nhiều phận chia thành nhóm phương pháp kết hợp sớm phương pháp kết hợp muộn Đầu tiên phương pháp kết hợp sớm thực kết hợp đặc trưng phận khác trước thực phân lớp [7] Thứ hai phương pháp kết hợp muộn,