GCAM: Gaussian and causal-attention model of food fine-grained recognition

目前，大多数食物识别依赖于深度学习进行类别分类。然而，这些方法在有效区分视觉上相似的食品样本方面存在困难，这突显了需要解决食品识别中细粒度问题的紧迫性。为了缓解这些挑战，我们提出采用高斯和因果关注模型进行细粒度物体识别。特别地，我们训练以获得目标区域上的高斯特征，然后从物体中提取细粒度特征，从而增强目标区域的特征映射能力。为了抵消由于不均匀数据分布导致的数据漂移，我们采用反事实推理方法。通过使用反事实干预，我们分析了学习到的图像注意机制对网络预测的影响，使网络能够获得更有用的细粒度图像识别注意权重。最后，我们设计了可学习的损失策略，以平衡各模块的训练稳定性，最终提高了目标识别的准确性。我们在四个相关数据集上验证了我们的方法，展示了它在这四个数据集上的出色表现。我们实验证明，GCAM在ETH-FOOD101、UECFOOD256和Vireo-FOOD172数据集上超越了最先进的方法。此外，我们的方法还在CUB-200数据集上实现了最先进的性能。

论文旨在解决细粒度食品识别中存在的视觉相似性问题，提出了一种基于高斯和因果注意力模型的解决方案。

论文采用高斯特征和因果干预的方法来提高目标区域的特征映射能力，同时使用可学习的损失策略来平衡各个模块的训练稳定性，从而提高细粒度食品识别的准确性。

论文在四个数据集上进行了实验验证，证明了该方法在细粒度食品识别方面的卓越性能，并超越了现有方法的表现。此外，论文还使用了对抗干预的方法来缓解数据漂移问题，同时提供了开源代码。

在细粒度食品识别领域，最近的相关研究包括：'Fine-Grained Recognition of Food Ingredients Using Multi-Scale Convolutional Neural Network'、'Multi-Modal Multi-Scale Deep Learning for Large-Scale Food Recognition'等。