基于改进残差网络的中式菜品识别模型 下载: 547次
Chinese Food Recognition Model Based on Improved Residual Network
南京信息工程大学自动化学院, 江苏 南京 210044
图 & 表
图 1. 模型结构
Fig. 1. Model structure
下载图片 查看原文
图 2. RNA网络结构
Fig. 2. RNA network structure
下载图片 查看原文
图 3. RNA-A的卷积结构
Fig. 3. Convolution structure of RNA-A
下载图片 查看原文
图 4. RNA-B的卷积结构
Fig. 4. Convolution structure of RNA-B
下载图片 查看原文
图 5. RNA-C的卷积结构
Fig. 5. Convolution structure of RNA-C
下载图片 查看原文
图 6. 注意力机制模块的基本结构
Fig. 6. Basic structure of attention mechanism module
下载图片 查看原文
图 7. TL学习示意图
Fig. 7. Schematic of TL learning
下载图片 查看原文
图 8. Food208数据集样图示例
Fig. 8. Samples in Food208 dataset
下载图片 查看原文
图 9. Food292数据集样图示例
Fig. 9. Samples in Food292 dataset
下载图片 查看原文
图 10. 不同卷积神经网络在数据集Food208和Food292上训练时所需的时间
Fig. 10. Time required for training different CNNs on Food208 and Food292 datasets
下载图片 查看原文
表 1不同数据集中训练集与测试集的图片数量
Table1. Image numbers of training dataset and test dataset for different datasets
Dataset | Training | Test |
---|
Food208 | 128016 | 20214 | Food292 | 70082 | 17521 |
|
查看原文
表 2模型参数设置
Table2. Model parameter setting
Parameter | Content |
---|
Input size | 224 pixel×224 pixel | Epoch | 200 | Batch size | 90 | Optimizer | Adam | Dropout parameter | 0.4 |
|
查看原文
表 3不同卷积神经网络在Food208、Food292数据集上的识别准确率
Table3. Recognition accuracies of different CNNs on Food208 and Food292 datasets
Convolutional neural network | Food208 | Food292 |
---|
Inception-v3[16] | 70.52% | 80.65% | ResNet-18[17] | 74.64% | 82.41% | Inception-v4[18] | 79.51% | 83.16% | Inception-ResNet-v1[18] | 79.93% | 85.53% | Inception-ResNet-v2[18] | 80.36% | 86.10% | RNA | 83.66% | 90.31% |
|
查看原文
表 4当损失函数为(2)式时不同卷积神经网络的准确率
Table4. Accuracies of different CNNs when loss function is formula (2)
Convolutional neural network | Food208 | Food292 |
---|
Inception-v3 | 69.52% | 79.53% | ResNet-18 | 73.15% | 81.12% | Inception-v4 | 78.30% | 81.91% | Inception-ResNet-v1 | 78.21% | 84.46% | Inception-ResNet-v2 | 78.95% | 84.95% | RNA | 82.50% | 89.10% |
|
查看原文
表 5不同epoch下RNA-TL得到的准确率
Table5. Accuracies obtained by RNA-TL under different epochs
Epoch | Food208 | Food292 |
---|
50 | 78.95% | 85.63% | 100 | 80.22% | 87.02% | 150 | 82.13% | 89.23% | 200 | 83.60% | 90.31% | 250 | 83.62% | 90.32% |
|
查看原文
邓志良, 李磊. 基于改进残差网络的中式菜品识别模型[J]. 激光与光电子学进展, 2021, 58(6): 0610019. Deng Zhiliang, Li Lei. Chinese Food Recognition Model Based on Improved Residual Network[J]. Laser & Optoelectronics Progress, 2021, 58(6): 0610019.