[Kaggle]Plant Seedlings Classification

Kaggle 上的比赛， 识别12种类型的植物，部分图片如下：

预处理

这里参考Gábor Vecsei的kernel，将叶片从背景中提取出来

训练

使用keras中的Xception模型，数据增加部分使用了[-180°，180°]的随机旋转，0.3的随机平移，0.3的随机放缩与随机翻转，代码如下：

batch_size = 16
train_img = np.zeros([4750, img_size, img_size, 3])
train_label = np.zeros([4750, 1])

i = 0
for index, label in tqdm(enumerate(labels), total=len(labels)):
    for file in os.listdir('seg_train/' + label):
        im = imread('seg_train/{}/{}'.format(label, file))
        train_img[i,:,:,:] = imresize(im[:,:,:3], (img_size, img_size))
        train_label[i] = index
        i += 1

train_label = np_utils.to_categorical(train_label, 12)

datagen = ImageDataGenerator(preprocessing_function=preprocess_input,
                             rotation_range=180,
                             width_shift_range=0.3,
                             height_shift_range=0.3,
                             zoom_range=0.3,
                             horizontal_flip=True,
                             vertical_flip=True)

datagen.fit(train_img)

base_model = Xception(weights='imagenet', input_shape=(img_size, img_size, 3), include_top=False)
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dropout(0.5)(x)
x = Dense(1024, activation='relu')(x)
x = Dropout(0.5)(x)
predictions = Dense(12, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)

model.compile(optimizer='Adadelta',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit_generator(datagen.flow(train_img, train_label, batch_size=batch_size), steps_per_epoch=len(train_img)//batch_size, epochs=100, verbose=1)
model.save_weights('Xception.h5')

预测

在预测时同时使用了数据增强，对一张图片预测100次，对预测结果求和取最大，代码如下：

datagen = ImageDataGenerator(preprocessing_function=preprocess_input,
                             rotation_range=180,
                             width_shift_range=0.3,
                             height_shift_range=0.3,
                             zoom_range=0.3,
                             horizontal_flip=True,
                             vertical_flip=True)

base_model = Xception(weights=None, include_top=False, input_shape=(img_size, img_size, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dropout(0.5)(x)
x = Dense(1024, activation='relu')(x)
x = Dropout(0.5)(x)
predictions = Dense(12, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)
model.load_weights('Xception.h5')

with open('submission.csv', 'w') as f:
    f.write('file,species\n')
    for file in tqdm(os.listdir('seg_test/')):
        img = image.load_img(os.path.join('seg_test', file), target_size=(img_size, img_size))
        x = image.img_to_array(img)
        x = np.expand_dims(x, axis=0)
        pred = np.zeros([12,])
        for i, im in enumerate(datagen.flow(x)):
            pred += model.predict(im)[0]
            if i > 100:
                break
        f.write('{},{}\n'.format(file, labels[np.where(pred==np.max(pred))[0][0]]))

最终得分：0.98614，Public Leaderboard排名47/836（top 6%)

18.6.21更新 ：冠军方案

方案中分5个step：

• step1：分析了数据集的结构，发现这个数据集是imbalance的，然后划分20%作为验证集。

• step2：使用keras.application中的ResNet50和InceptionResNetV2作为benchmark。
• step3：balance data，这里使用了两种方法：

1. Adaptive synthetic sampling approach for imbalanced learning (ADASYN)    
   
2. Synthetic Minority Over-sampling Technique (SMOTE)

    当数据balance后，进行图像增强，包括： Scaling，Cropping，Flipping，Rotation，Translation，Adding     Noise，Changing lighting conditions。   

• step4：学习率的设置，以及Snapshot Ensembling方法的使用。
• step5：用混淆矩阵可视化结果，获得最佳超参，将验证集也放入训练集中。