基于DCNN和迁移学习的食物图像识别

由于食物种类外观的多样性,针对食物图像的自动识别颇具挑战性。提出一种基于DCNN和迁移学习的食物图像识别方法。该方法采用在ImageNet图像数据集上预训练好的DCNN模型进行网络参数初始化,然后利用微调的训练方式在自建的小规模食物图像数据库集上进行迁移学习,以便获取食物图像高层次的属性特征。最后,将DCNN学习到的高层次属性特征输入到线性支持向量机进行食物图像的分类。实验测试结果表明,该方法取得的食物图像识别性能达到了 94.20%,优于梯度方向直方图和Gabor小波变换等手工类特征。可见,采用DCNN和迁移学习方法用于食物图像的自动识别是一种可行的方法。