雜菜是食物圖片當(dāng)中的一類特殊圖片,它屬于多標(biāo)簽數(shù)據(jù),但不同于一般的多標(biāo)簽數(shù)據(jù),其所有菜肴都盛放在同一個(gè)容器當(dāng)中,菜肴不規(guī)則的形狀以及相互之間的重疊和邊界的混雜為識別任務(wù)帶來了極大的挑戰(zhàn)。當(dāng)今,隨著人們對健康生活方式的日益關(guān)注和追求,各類相關(guān)網(wǎng)頁應(yīng)用和APP等層出不窮,因此作為飲食記錄、營養(yǎng)分析和食譜推薦等分支應(yīng)用的底層技術(shù),食物圖片識別受到了越來越多的關(guān)注。食物識別任務(wù)從早期的手工特征提取和分類發(fā)展到后期的端到端深度模型,處理的數(shù)據(jù)也從開始的單標(biāo)簽圖片到每道菜肴盛放在不同容器中的多標(biāo)簽圖片,但目前還沒有專門針對所有菜肴盛放在同一容器的多標(biāo)簽圖片（即雜菜）進(jìn)行的研究。此外,已有的深度模型也多將食物識別當(dāng)作目標(biāo)檢測任務(wù)加以處理,需要強(qiáng)監(jiān)督信息的指導(dǎo)才能得出預(yù)測結(jié)果。本文針對雜菜識別問題進(jìn)行了深入研究,提出了一種自適應(yīng)的多尺度逐區(qū)域解決方案,以多標(biāo)簽分類的視角而非目標(biāo)檢測的視角對富有挑戰(zhàn)性的雜菜數(shù)據(jù)進(jìn)行了處理,基于“每個(gè)區(qū)域應(yīng)當(dāng)包含某類菜肴的一部分”這一直覺假設(shè)將特征進(jìn)行了逐區(qū)域的劃分,并在此過程當(dāng)中充分利用了特征圖所反映出的位置信息。并根據(jù)“各菜肴的食材大小與混雜程度不同,數(shù)據(jù)采集時(shí)拍攝距... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 食物識別中的雜菜識別
    1.4 主要研究內(nèi)容和論文結(jié)構(gòu)
        1.4.1 主要研究內(nèi)容
        1.4.2 論文結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 食物圖片識別方法概述
    2.1 基于視覺特征提取的圖像識別方法
        2.1.1 視覺特征提取
        2.1.2 圖像建模
        2.1.3 SVM分類器
    2.2 基于深度學(xué)習(xí)的目標(biāo)檢測方法
        2.2.1 RCNN系列算法
        2.2.2 YOLO系列算法
        2.2.3 弱監(jiān)督目標(biāo)檢測算法
    2.3 本章小結(jié)
第3章 雜菜識別問題的多尺度逐區(qū)域分類方法
    3.1 問題定義
        3.1.1 食物圖像標(biāo)注
        3.1.2 多標(biāo)簽分類問題
    3.2 多尺度逐區(qū)域識別方法
        3.2.1 整體架構(gòu)
        3.2.2 底層神經(jīng)網(wǎng)絡(luò)
        3.2.3 逐區(qū)域特征提取
        3.2.4 多尺度特征融合
    3.3 本章小結(jié)
第4章 自適應(yīng)區(qū)域劃分方案
    4.1 特征區(qū)域可視化
    4.2 特征圖指導(dǎo)區(qū)域劃分
        4.2.1 選擇性搜索
        4.2.2 區(qū)域生成網(wǎng)絡(luò)
        4.2.3 自適應(yīng)劃分方法
    4.3 其他技術(shù)
        4.3.1 遷移學(xué)習(xí)
        4.3.2 損失函數(shù)
        4.3.3 負(fù)采樣
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)部分
    5.1 數(shù)據(jù)集
        5.1.1 Rice數(shù)據(jù)集
        5.1.2 BeeHoon數(shù)據(jù)集
    5.2 實(shí)驗(yàn)環(huán)境和配置
        5.2.1 實(shí)驗(yàn)環(huán)境
        5.2.2 參數(shù)設(shè)置
    5.3 實(shí)驗(yàn)結(jié)果
        5.3.1 遷移學(xué)習(xí)和負(fù)采樣的提升效果
        5.3.2 多尺度逐區(qū)域方法的提升效果
        5.3.3 自適應(yīng)劃分方法的提升效果
        5.3.4 方法的有效性和針對性
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
作者簡介及在學(xué)期間所取得的科研成果
致謝



本文編號：3160891