本数据集包含 102 种花类的图像数据集（主要是一些英国常见的花类），每个类别包含 40—258 张图像。这些图像在比 例、姿势以及光照方面有着丰富的变化。
We investigate to what extent combinations of featurescan improve classification performance on a large datasetof similar classes. To this end we introduce a 103 classflower dataset. We compute four different features for theflowers, each describing different aspects, namely the local shape/texture, the shape of the boundary, the overallspatial distribution of petals, and the colour. We combinethe features using a multiple kernel framework with a SVMclassifier. The weights for each class are learnt using themethod of Varma and Ray , which has achieved state ofthe art performance on other large dataset, such as Caltech101/256. Our dataset has a similar challenge in the number of classes, but with the added difficulty of large betweenclass similarity and small within class similarity. Resultsshow that learning the optimum kernel combination of multiple features vastly improves the performance, from 55.1%for the best single feature to 72.8% for the combination ofall features.
译：
我们研究特征组合的程度可以提高大型数据集的分类性能同类的。为此，我们介绍一个103种花卉数据集。我们为花，每一个描述不同的方面，即局部的形状/纹理，边界的形状，整体花瓣的空间分布和颜色。我们联合起来基于支持向量机的多核框架特征提取分类器。每节课的重量是用Varma和Ray的方法，它已经达到了其他大型数据集的艺术表现，如加州理工大学101/256。我们的数据集在类的数量上也有类似的挑战，但是增加了较大的难度类相似性和小类内相似性。结果表明，学习多个特性的最佳内核组合将极大地提高性能，从55.1%提高到
对于最佳单一功能的组合，为72.8%所有功能。
大家可以到官网地址下载数据集，我自己也在百度网盘分享了一份。可关注本人公众号，回复“2020081902”获取下载链接。
只要自己有时间，都尽量写写文章，与大家交流分享。
本人公众号：
CSDN博客地址：https://blog.csdn.net/ispeasant