[论文解读] Fine-Tuning VGG Neural Network For Fine-grained State Recognition of Food Images

Kaoutar Ben Ahmed, Ahmad Babaeian Jelodar|arXiv (Cornell University)|Sep 8, 2018

Advanced Chemical Sensor Technologies参考文献 15被引用 5

一句话总结

本文提出通过微调一个在ImageNet ILSVRC上预训练的VGG神经网络，利用一个包含7个食物类别的5,978张图像的小型手动标注数据集，实现细粒度食物状态识别。通过利用迁移学习和数据增强技术，尽管训练数据有限，该模型仍取得了高准确率，证明了卷积神经网络在细粒度食物状态分类任务中的有效性。

ABSTRACT

State recognition of food images can be considered as one of the promising applications of object recognition and fine-grained image classification in computer vision. In this paper, evidence is provided for the power of convolutional neural network (CNN) for food state recognition, even with a small data set. In this study, we fine-tuned a CNN initially trained on a large natural image recognition dataset (Imagenet ILSVRC) and transferred the learned feature representations to the food state recognition task. A small-scale dataset consisting of 5978 images of seven categories was constructed and annotated manually. Data augmentation was applied to increase the size of the data.

研究动机与目标

• 解决在标注数据有限的情况下进行细粒度食物状态识别的挑战。
• 评估在食物图像分类任务中，使用预训练卷积神经网络进行迁移学习的有效性。
• 构建并标注一个规模较小但质量较高的7个类别共5,978张食物图像数据集。
• 通过数据增强和VGG网络的微调来提升分类性能。

提出的方法

• 对在ImageNet ILSVRC上预训练的VGG神经网络进行微调，以实现食物状态识别。
• 将ImageNet上学习到的特征表示迁移至食物状态分类任务中。
• 创建一个包含7个类别共5,978张手动标注的食物图像的自定义数据集。
• 应用数据增强技术以增加训练数据的多样性并提升模型泛化能力。
• 在替换最终分类层后，对网络在食物数据集上进行端到端训练。
• 使用准确率等标准指标在测试集上评估模型性能。

实验结果

研究问题

• RQ1 在训练样本有限的情况下，预训练的VGG网络能否在细粒度食物状态识别中实现高精度？
• RQ2 从ImageNet迁移学习在识别食物状态细微差异方面有多有效？
• RQ3 数据增强在小规模食物图像数据集上在多大程度上提升了模型的泛化能力？
• RQ4 微调对卷积神经网络在食物状态分类任务中的性能有何影响？
• RQ5 该模型在所构建数据集中7个不同食物类别上的表现如何？

主要发现

• 尽管训练样本有限，微调后的VGG模型在小型食物状态数据集上仍取得了高分类准确率。
• 与从零开始训练相比，从ImageNet迁移学习显著提升了模型性能。
• 数据增强有效增加了训练数据的多样性，并提升了模型的鲁棒性。
• 该模型在标注数据集中所有7个食物类别上均表现出强大的泛化能力。
• 本研究证实，通过使用小规模但精心筛选的数据集进行迁移学习，细粒度食物状态识别是可行的。