随着食物检索、食物推荐和食物监测等应用需求的增加,食物的自动分析成为了研究的热点。由于食物种类多,存在类间差异小、类内差异大、多尺度等特点,食物识别和定位的准确率一直不高。并且目前很多研究,在食物分析任务中,推理速度慢,性...随着食物检索、食物推荐和食物监测等应用需求的增加,食物的自动分析成为了研究的热点。由于食物种类多,存在类间差异小、类内差异大、多尺度等特点,食物识别和定位的准确率一直不高。并且目前很多研究,在食物分析任务中,推理速度慢,性能不佳。针对这些问题,结合注意力机制,提出了一个更优的主干网络,能更好地提取食物细粒度特征。同时对Neck部分进行研究,进行多尺度特征融合,提出了一种轻量级的端到端食物识别和定位框架FFAM(Feature Fusion of Attention Mechanism)。在目前具有挑战性的公开数据集UNIMIB2016上的实验结果表明,该算法比目前的很多方法在精度上更具有优势,最终mAP达到了94.1%。由于得到的模型相比YOLOv4精度高且更小,在应对移动端、嵌入式设备中部署食物分析模型解决实际任务时,能有一个更好的性能表现。展开更多
文摘随着食物检索、食物推荐和食物监测等应用需求的增加,食物的自动分析成为了研究的热点。由于食物种类多,存在类间差异小、类内差异大、多尺度等特点,食物识别和定位的准确率一直不高。并且目前很多研究,在食物分析任务中,推理速度慢,性能不佳。针对这些问题,结合注意力机制,提出了一个更优的主干网络,能更好地提取食物细粒度特征。同时对Neck部分进行研究,进行多尺度特征融合,提出了一种轻量级的端到端食物识别和定位框架FFAM(Feature Fusion of Attention Mechanism)。在目前具有挑战性的公开数据集UNIMIB2016上的实验结果表明,该算法比目前的很多方法在精度上更具有优势,最终mAP达到了94.1%。由于得到的模型相比YOLOv4精度高且更小,在应对移动端、嵌入式设备中部署食物分析模型解决实际任务时,能有一个更好的性能表现。
