一种用于中餐图像识别的多特征融合方法

《Food Analytical Methods》：A Multi-Feature Fusion Method for Chinese Food Image Recognition

中国食物图像识别面临多样性与相似性问题，提出融合CNN和Swin Transformer的细粒度特征提取方法，结合端到端分类器提升识别精度，在公共数据集上达到85.70%和84.58%准确率，优于传统方法。

　　

摘要

作为计算机视觉和机器学习领域中的一个重要研究方向，图像识别在食品图像识别方面面临着独特的挑战，尤其是针对中国食品的识别任务。由于中国烹饪文化的博大精深以及菜肴和烹饪方法的多样性，中国食品图像的识别已成为该领域的一个研究难题。具体而言，许多中国菜肴在营养价值上存在显著差异，但它们的外观特征却极为相似，这对传统的识别方法构成了巨大挑战。为了解决这一问题，本文提出了一种新的中国食品图像识别方法，该方法通过深度融合能够提取深度局部特征的卷积神经网络与Swin Transformer。该方法能够有效捕捉食品的细粒度特征，并生成更具区分性的增强特征表示。此外，本文还设计了一个端到端的分类器，能够从增强特征中高效地筛选出最具区分性的信息，从而提高识别准确性。该方法在处理外观相似但营养特性不同的食品时表现优异，有望为智能饮食建议和健康监测等应用提供可靠的技术支持。本文已在公开的中国食品数据集ChineseFoodNet和CNFOOD-241上进行了全面验证，结果显示该方法的识别准确率分别达到了85.70%和84.58%，显著优于现有的监督学习方法，体现了更强的特征学习能力和泛化性能。这一成就为中国食品图像识别提供了一种新的解决方案，并为相关领域的后续研究奠定了重要基础。