基于移位窗口自注意力的生鲜农产品质量检测
计算机视觉与模式识别
2021-12-30 v1 人工智能
机器学习
摘要
随着气候变化加速和人口快速增长，全球粮食不安全预计在未来几十年加剧。在此背景下，消除食品生产各环节的低效现象十分重要。深度学习的近期进展有助于减少此类低效，但其应用尚未在整个行业中成为主流，造成了大规模的经济成本。就此而言，CNN（卷积神经网络）等现代技术已应用于RPQD（生鲜农产品质量检测）任务。另一方面，Transformer在视觉及其他模态中的成功亮相使我们预期基于Transformer的模型在RPQD中能有更好表现。在本工作中，我们专门研究近期最先进的Swin（移位窗口）Transformer，其在窗口内与窗口间两种方式下计算自注意力。我们在四个RPQD图像数据集上将Swin Transformer与CNN模型进行比较，每个数据集包含不同种类的生鲜农产品：水果和蔬菜、鱼、猪肉和牛肉。我们观察到Swin Transformer不仅取得更优或具竞争力的性能，而且数据和计算高效，使其非常适合实际部署于真实场景。据我们所知，这是首个关于RPQD任务的大规模实证研究，我们希望未来工作能给予更多关注。
引用
@article{arxiv.2112.13845,
title = {Raw Produce Quality Detection with Shifted Window Self-Attention},
author = {Oh Joon Kwon and Byungsoo Kim and Youngduck Choi},
journal= {arXiv preprint arXiv:2112.13845},
year = {2021}
}