相关实验视频
Updated: May 11, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
通过深度残留学习和选择性状态空间模型改进细粒食品的分类
Chi-Sheng Chen1, Guan-Ying Chen2, Dong Zhou3
1Neuro Industry, Inc., San Francisco, California, United States of America.
PloS one
|May 5, 2025
概括
我们介绍ResVMamba,这是一种用于准确食品分类的新型模型,可以有效地捕捉全球和本地依赖. 这种计算营养方法为食品识别任务设定了新的基准.
科学领域:
- 计算营养学计算营养学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 食品分类对于计算营养和食品视觉任务至关重要.
- 细粒度食品分类对传统的卷积神经网络 (CNN) 和视觉转换器 (ViT) 提出了挑战,原因是复杂性和计算成本.
研究的目的:
- 开发一个高效和准确的食品分类模型.
- 解决现有模型在处理复杂食品数据集方面的局限性.
主要方法:
- 提出了ResVMamba模型,将残留学习策略集成到状态空间框架中.
- 利用VMamba来有效地捕获全球和本地依赖关系.
- 引入并使用CNFOOD-241食品数据集进行验证.
主要成果:
- 在CNFOOD-241数据集上,ResVMamba获得了81.70%的Top-1精度和96.83%的Top-5精度.
- 该模型在食品识别方面超过了当前最先进的 (SOTA) 模型.
- 为CNFOOD-241数据集建立了一个新的绩效基准.
结论:
- 在VMamba中开创了残留学习的集成,以实现增强的功能提取.
- ResVMamba模型为食品分类提供了一个计算效率高,准确度高的解决方案.
- 该研究介绍了CNFOOD-241数据集,并为ResVMamba模型提供了开源代码.
