CuisineNet：基于多尺度卷积网络的食物属性分类
计算机视觉与模式识别
2018-06-11 v2
摘要
食物及其属性的多样性反映了不同国家人群的饮食习惯。因此，本文通过分类两大主要食物属性——菜系（cuisine）与风味（flavor），来解决识别全球各地人群饮食文化及其风味的问题。我们提出了一种基于多尺度卷积网络的深度学习模型，以从输入图像中提取更精确的特征。还将不同核大小的多尺度卷积层进行聚合，用于对来自不同尺度的特征结果进行加权。此外，采用基于负对数似然（NLL）的联合损失函数，使模型概率拟合到多标签类别，以完成多模态分类任务。进一步地，本工作提供了一个新的食物属性数据集，称为 Yummly48K，提取自流行的美食网站 Yummly。我们的模型在构建的 Yummly48K 数据集上进行了评估。实验结果表明，所提方法在验证集和测试集上分别取得了 65% 和 62% 的平均 F1 分数，优于当前最先进的（state-of-the-art）模型。
引用
@article{arxiv.1805.12081,
title = {CuisineNet: Food Attributes Classification using Multi-scale Convolution Network},
author = {Md. Mostafa Kamal Sarker and Mohammed Jabreel and Hatem A. Rashwan and Syeda Furruka Banu and Antonio Moreno and Petia Radeva and Domenec Puig},
journal= {arXiv preprint arXiv:1805.12081},
year = {2018}
}
备注
8 pages, Submitted in CCIA 2018