跨模态食物检索：基于语义一致性和注意力机制的食物图像与食谱联合嵌入学习

食品检索是开展食品相关信息分析的重要任务，其目标是针对查询的食品项目，获取与其相关的各类信息，如食材构成、烹饪步骤等。本文研究了食品图像与烹饪食谱之间的跨模态检索问题。其核心目标是学习图像与食谱在统一特征空间中的嵌入表示，使得对应图像与食谱的嵌入向量在该空间中彼此接近。解决该问题面临两大挑战：一是跨模态食品数据中存在较大的类内差异（intra-variance）和较小的类间差异（inter-variance）；二是难以获得具有判别性的食谱表示。为应对上述挑战，本文提出一种基于语义一致性与注意力机制的网络模型——语义一致且基于注意力的网络（Semantic-Consistent and Attention-based Networks, SCAN）。该模型通过对齐两类模态的输出语义概率分布，对图像与食谱的嵌入进行正则化约束；同时，引入自注意力机制（self-attention mechanism）以增强食谱的表示能力。我们在大规模 Recipe1M 数据集上对所提方法进行了评估，实验结果表明，该方法在食品图像与烹饪食谱的跨模态检索任务中，显著优于多种现有的先进方法。