[论文解读] Food Image Recognition by Using Convolutional Neural Networks (CNNs)

Yuzhen Lu|arXiv (Cornell University)|Dec 3, 2016

Smart Agriculture and AI参考文献 10被引用 40

一句话总结

本文提出一种五层卷积神经网络（CNN）用于基于自定义数据集的食品图像识别，该数据集包含10个类别共5,822张图像。CNN在原始数据上的准确率为74%，通过几何变换进行数据增强后，准确率提升至90%以上，显著减少了过拟合现象，并优于基于袋装特征与支持向量机（SVM）的基线模型（准确率为56%）。

ABSTRACT

Food image recognition is one of the promising applications of visual object recognition in computer vision. In this study, a small-scale dataset consisting of 5822 images of ten categories and a five-layer CNN was constructed to recognize these images. The bag-of-features (BoF) model coupled with support vector machine (SVM) was first evaluated for image classification, resulting in an overall accuracy of 56%; while the CNN model performed much better with an overall accuracy of 74%. Data augmentation techniques based on geometric transformation were applied to increase the size of training images, which achieved a significantly improved accuracy of more than 90% while preventing the overfitting issue that occurred to the CNN based on raw training data. Further improvements can be expected by collecting more images and optimizing the network architecture and hyper-parameters.

研究动机与目标

• 开发一种基于卷积神经网络的深度学习模型，以实现食品图像分类的高精度。
• 评估传统方法（如袋装特征结合SVM）与现代CNN在食品图像识别任务中的性能表现。
• 研究数据增强技术对提升CNN泛化能力及减少过拟合的影响。
• 建立小规模食品图像识别任务的基准性能。
• 通过数据集扩展和网络架构优化，识别潜在的改进空间。

提出的方法

• 构建了一个包含10个食品类别的小规模食品图像数据集，共5,822张图像。
• 设计了一个五层卷积神经网络（CNN），用于端到端的特征学习与分类。
• 通过几何变换（如旋转、缩放、翻转）实施数据增强，以人工扩展训练集。
• 在原始数据和增强后的训练数据上分别训练CNN，以评估其泛化性能。
• 将CNN的性能与基于袋装特征（BoF）模型结合支持向量机（SVM）的基线模型进行对比。
• 采用标准评估指标，包括整体分类准确率，对模型进行比较。

实验结果

研究问题

• RQ1 与传统的袋装特征结合SVM的方法相比，五层CNN在食品图像分类任务中的表现如何？
• RQ2 通过几何变换进行数据增强，在多大程度上提升了CNN在食品图像识别中的准确率与泛化能力？
• RQ3 在未进行数据增强的小规模原始食品图像数据集上训练CNN时，其过拟合程度如何？
• RQ4 网络架构与超参数的选择在有限食品图像数据集上对CNN性能有何影响？
• RQ5 在当前设置基础上，是否可通过数据集扩展与模型优化实现准确率的进一步提升？

主要发现

• CNN模型在原始训练数据上的整体准确率为74%，显著优于基线的袋装特征结合SVM模型（准确率仅56%）。
• 在应用几何变换进行数据增强后，CNN的准确率提升至90%以上，表明其具备强大的泛化能力并有效减少了过拟合。
• 数据增强带来的性能提升表明，对小规模数据集进行增强可显著提高CNN在食品图像识别任务中的鲁棒性。
• 研究结果证实，与传统BoF-SVM流程相比，深度学习模型（如CNN）在食品图像分类任务中更具有效性。
• 结果表明，通过更大规模的数据集以及优化后的网络架构或超参数设置，仍有进一步提升准确率的空间。