精细粒度的菜品识别方法研究 |
论文目录 |
| 摘要 | 第1-6页 |
| abstract | 第6-7页 |
| 缩略词表 | 第10-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 基于统计学习的菜品识别方法研究现状 | 第12-15页 |
| 1.2.2 基于深度学习图像分类的菜品识别方法研究现状 | 第15-17页 |
| 1.2.3 基于深度学习目标检测的菜品识别方法研究现状 | 第17页 |
| 1.2.4 基于传感器的菜品识别方法研究现状 | 第17-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 本文章节安排 | 第19-21页 |
| 第二章 中餐菜品数据集的构建与分析 | 第21-35页 |
| 2.1 引言 | 第21-22页 |
| 2.2 现有菜品数据集的局限性 | 第22-24页 |
| 2.3 本章数据集菜品类别确定与收集 | 第24-28页 |
| 2.4 针对中餐菜品数据集的标注与统计 | 第28-29页 |
| 2.5 各菜品数据集的对比分析 | 第29-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于相邻特征信息融合的菜品识别方法 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 精细粒度菜品识别的问题 | 第35-36页 |
| 3.3 本章算法框架 | 第36-37页 |
| 3.4 多尺度相邻特征信息融合设计 | 第37-41页 |
| 3.4.1 通用目标检测特征金字塔融合方式的局限性 | 第37-38页 |
| 3.4.2 多尺度相邻特征信息融合方法 | 第38-41页 |
| 3.5 实验结果及分析 | 第41-47页 |
| 3.5.1 实验环境 | 第41-42页 |
| 3.5.2 网络模型实验参数与训练 | 第42页 |
| 3.5.3 客观实验结果与分析 | 第42-46页 |
| 3.5.4 主观实验结果与分析 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第四章 结合多感受野注意力与特征通道加权的菜品识别方法 | 第49-62页 |
| 4.1 引言 | 第49页 |
| 4.2 精细粒度菜品识别的问题 | 第49-50页 |
| 4.3 本章算法框架 | 第50-51页 |
| 4.4 基于多感受野特征的空间注意力方法 | 第51-54页 |
| 4.4.1 单感受野空间注意力机制的局限性 | 第51-52页 |
| 4.4.2 基于多感受野特征的空间注意力模块设计 | 第52-54页 |
| 4.5 结合多感受野注意力与特征通道加权的菜品识别方法 | 第54-57页 |
| 4.5.1 结合多感受野注意力与特征通道加权的必要性 | 第54-55页 |
| 4.5.2 结合多感受野注意力与特征通道加权的方法 | 第55-57页 |
| 4.6 实验结果及分析 | 第57-61页 |
| 4.6.1 本章模型训练介绍 | 第57-58页 |
| 4.6.2 客观实验结果与分析 | 第58-59页 |
| 4.6.3 主观实验结果与分析 | 第59-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 基于目标边界框再定位的菜品识别方法 | 第62-75页 |
| 5.1 引言 | 第62页 |
| 5.2 精细粒度菜品识别的问题 | 第62-63页 |
| 5.3 本章算法框架 | 第63-64页 |
| 5.4 基于目标定位回归损失函数改进设计 | 第64-68页 |
| 5.4.1 通用目标定位回归损失函数介绍及其缺陷 | 第64-65页 |
| 5.4.2 基于菜品目标定位回归损失函数的改进 | 第61-68页 |
| 5.5 基于目标边界框再定位的菜品识别方法 | 第68-70页 |
| 5.5.1 目标边界框再定位的必要性 | 第68页 |
| 5.5.2 基于目标边界框再定位的方法 | 第68-70页 |
| 5.6 实验结果及分析 | 第70-73页 |
| 5.6.1 本章模型训练介绍 | 第70页 |
| 5.6.2 客观实验结果与分析 | 第70-73页 |
| 5.6.3 主观实验结果与分析 | 第73页 |
| 5.7 本章小结 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间取得的成果 | 第84页 |
|
| |
