相关实验视频
Updated: Jul 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种用于识别中国食品图像的细粒度识别技术
Shuo Feng1, Yangang Wang1, Jianhong Gong1
1School of Mechanical, Electrical & Information Engineering, Shandong University, Weihai, 264209, China.
Heliyon
|November 29, 2023
概括
本研究介绍了LMB-Net,这是一种用于准确食品分类的新型深度学习模型. 通过整合纹理和多尺度特征,LMB-Net提高了计算机视觉应用中的性能,如营养分析.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 食品识别对于无人餐厅和营养分析等应用至关重要.
- 准确的食品分类是具有挑战性的,因为细粒度的视觉相似性和独特的纹理特征,特别是在中国美食.
- 现有的卷积神经网络 (CNN) 方法往往忽略了关键的纹理信息.
研究的目的:
- 开发一种先进的食品识别模型,能够捕捉多尺度和纹理特征.
- 提高计算机视觉系统中食品分类的准确性.
主要方法:
- 拉普拉斯金字塔在卷积层中的介绍.
- 提出了一种新的双线网络架构,称为LMB-Net.
- 对公共食品图像数据集的评估.
主要成果:
- LMB-Net有效地提取图像纹理特征.
- 该模型捕获了重要的多尺度图像信息.
- 在评估的数据集上,LMB-Net实现了最先进的分类性能.
结论:
- 在细粒粮食分类方面,LMB-Net表现出卓越的性能.
- 拉普拉斯金字塔和双线结构的整合解决了现有的CNN的局限性.
- 拟议的模型显示了现实世界食品识别应用的巨大潜力.
