基于显著性感知的类别无关食物图像分割
计算机视觉与模式识别
2021-02-16 v1 机器学习
摘要
基于图像的饮食评估方法的进展使营养专业人员和研究者能够提高饮食评估的准确性，其中所摄入食物的图片使用智能手机或可穿戴设备捕获。随后利用计算机视觉方法分析这些图像以估算食物的能量与营养成分。确定图像中食物所在区域的食物图像分割在这一过程中起着重要作用。现有方法依赖于数据，因而难以对不同食物类型良好泛化。为解决该问题，我们提出一种类别无关的食物图像分割方法。我们的方法使用一对进食场景图像，一张为开始进食前，一张为进食完成后。利用进食前与进食后两幅图像的信息，我们可通过寻找显著缺失物体来分割食物图像，而无需任何关于食物类别的先验信息。我们建模了一种自上而下显著性的范式，其基于任务引导人类视觉系统（HVS）的注意力以在一对图像中寻找显著缺失物体。我们的方法在一个饮食研究收集的食物图像上得到验证，并展现出有前景的结果。
引用
@article{arxiv.2102.06882,
title = {Saliency-Aware Class-Agnostic Food Image Segmentation},
author = {Sri Kalyan Yarlagadda and Daniel Mas Montserrat and David Guerra and Carol J. Boushey and Deborah A. Kerr and Fengqing Zhu},
journal= {arXiv preprint arXiv:2102.06882},
year = {2021}
}