基于深度卷积生成对抗网络与部分标注数据的食物识别

在食物识别任务中，由于同一类别图像内存在高度差异（即类内差异），使用手工特征提取技术（如局部二值模式）的传统机器学习算法的准确率受限。在近期的研究中，卷积神经网络已被应用于该任务，并取得了优于所有先前报道方法的结果。然而，当使用大量标注的食物图像进行训练时，它们的表现最佳。当大规模获取这些标注数据时，这是有问题的，因为它们昂贵、费力且不切实际。我们的工作旨在开发一种高效的基于深度 CNN 学习的食物识别方法，通过在生成对抗网络上使用部分标注的训练数据来缓解这些限制。我们对 Goodfellow 等人 (2014) 提出的无监督训练架构进行了新的增强，该架构最初旨在通过对数据集进行采样来生成新数据。在本工作中，我们对深度卷积 GAN 进行了修改，使其在食物图像分类方面具有鲁棒性和高效性。在基准数据集上的实验结果表明，即使使用部分标注的训练数据进行训练，我们所提出的方法也优于当前最先进的方法。