[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

TResNet con funciones mejoradas para la clasificación detallada de imágenes de alimentos

Created by
  • Haebom

Autor

Lulu Liu, Zhiyong Xiao

Describir

Para abordar el desafío de la clasificación detallada de imágenes de alimentos con diferencias sutiles, este artículo propone una novedosa TResNet con Características Mejoradas (FE-TResNet), que integra las técnicas del Módulo de Recalibración Basado en Estilos (StyleRM) y Atención Profunda por Canal (DCA) en el modelo TResNet. FE-TResNet alcanza precisiones de clasificación del 81,37 % y el 80,29 % en los conjuntos de datos de imágenes de alimentos chinos ChineseFoodNet y CNFOOD-241, respectivamente, superando a los modelos CNN convencionales. Considerando que las imágenes de alimentos son un medio importante para transmitir el patrimonio cultural y los vínculos emocionales, esto tiene importantes implicaciones en diversos campos de aplicación.

Takeaways, Limitations

•
Takeaways:
◦
Un nuevo enfoque para la clasificación detallada de imágenes de alimentos
◦
Mejorar el rendimiento de TResNet mediante la integración de StyleRM y DCA
◦
Lograr una alta precisión de clasificación en un conjunto de datos de imágenes de comida china
◦
Sugiere posibles aplicaciones en diversos campos relacionados con la alimentación.
•
Limitations:
◦
La evaluación del rendimiento del método propuesto se limita a un conjunto de datos de alimentos chinos específico.
◦
Es necesaria la verificación del rendimiento de generalización para otros tipos de imágenes de alimentos o conjuntos de datos más diversos.
◦
Se necesita más investigación sobre la optimización de parámetros de StyleRM y DCA.
◦
Se necesita un análisis más profundo del rendimiento y la eficiencia en entornos de aplicaciones reales.
👍
Made with Slashpage