面向细粒度食物图像分类的特征增强 TResNet
计算机视觉与模式识别
2025-07-24 v2 人工智能
摘要
食物不仅是人类健康的必需品，也是文化身份和情感联系的载体。在精准营养学语境下，准确识别和分类食物图像对于饮食监测、营养素估计和个性化健康管理至关重要。然而，由于相似菜品之间的细微视觉差异，细粒度食物分类仍具有挑战性。为此，我们提出一种称为 Feature-Enhanced TResNet（FE-TResNet）的新型深度学习模型，用于提高食物图像在细粒度场景中的识别准确率。FE-TResNet 基于 TResNet 架构，集成 Style-based Recalibration Module（StyleRM）和 Deep Channel-wise Attention（DCA），以增强特征提取并突出食物项目之间的细微差异。在两个基准中文食物数据集上进行评估——ChineseFoodNet 和 CNFOOD-241——FE-TResNet 达到了 81.37% 和 80.29% 的高分类准确率。这些结果表明其有效性，并凸显其作为智能饮食评估和精准营养系统中个性化推荐关键赋能器的潜力。
引用
@article{arxiv.2507.12828,
title = {Feature-Enhanced TResNet for Fine-Grained Food Image Classification},
author = {Lulu Liu and Zhiyong Xiao},
journal= {arXiv preprint arXiv:2507.12828},
year = {2025}
}