《表1 不同方法所取得的食物图像识别性能的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于DCNN和迁移学习的食物图像识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，为了与其他手工提取的特征性能进行比较，本文也测试了梯度方向直方图（HOG）和Gabor小波两种手工类特征输入到线性支持向量机所取得的食物图像识别性能。对于HOG和Gabor小波特征的提取，按照文献[6]中的参数设置，最终提取2 916维度的HOG特征和1 536维度的Gabor小波变换特征。表1列出了不同方法所取得的食物图像识别的性能。由表1可见，本文方法取得的正确识别率为94.20%，而HOG和Gabor小波两种手工特征取得的正确识别率分别为87.29%和89.80%。这表明了DCNN学习到的食物图像特征比手工特征具有更好的判别力。主要原因是DCNN利用多层次的卷积和池化操作，能够有效提取食物图像的高层次属性特征用于食物图像的分类。