用于自动识此外深度进建算法必要大量精确象征的图像，能力产生靠得住的分类了局。本文，作者索求何种视角及其组合蕴含更多的特点信息，从而使鉴别精度更高。

数据采集概述：101个物种均从5个角度拍摄，每个物种沉复100次。

齐全的观察草本和非草本植物的示例

作者开发了一个图像捉拿规划来观察着花植物。每一个观察都蕴含了从预先界说的角度(全植物、花的正面和侧面视图、叶的顶部和背面视图)观察统一个别的五个原位图像。作者网络了一个齐全平衡的数据集，其中蕴含101个物种的100个观察了局，沉点关注同种和视觉上类似的物种群，蕴含12个禾本科物种。我们使用该数据集训练卷积神经网络，并通过度数级融合来确定每个视角及其组合的预测精度。当跨物衷旖均时，前1名的正确度领域在77%(整个植物)和97%(所有视角的融合)之间；ㄕ媸油即锏阶罡呔龋88％）。融合花的正面，花侧面和叶顶视图在采集了局和正确性方面产生最合理的折衷（96％）。实现最高正确度的视角取决于物种。

a.正确度作为组合视角数量的函数。每个数据点代表b中所示的一个组合。b.对每个透视图和所有可能的组合的均匀精确度。

整个数据集的分类精度，以及草本和非草本植物分类精度。图例中数据集旁边的数字暗示所使用的训练图像的数量

了局批注，草本植物的图像数据库将受益于多器官观察，至少蕴含花正面和侧面视图及叶顶视图。

关键词：多器官植物分类、卷积神经网络、深度进建、植物图像、机械视觉

起源：Plant Methods.Flowers, leaves or both? How to obtain suitable images for automated plant identification.Michael Rzanny, Patrick Mäder, Alice Deggelmann, Minqian Chen and Jana Wäldchen.https://doi.org/10.1186/s13007-019-0462-4