摘要
食物图像识别是一项复杂的计算机视觉任务，主要因其包含大量细粒度的食物类别。细粒度识别任务的核心在于学习细微的判别性特征，以区分外观极为相似的类别。本文提出一种新方法，通过多子集学习（Multi-Subsets Learning）提升对难以区分类别的分类性能。我们首先利用预训练网络，结合聚类技术将食物类别划分为多个子集；随后，将这些子集嵌入到一个多头模型结构中。该结构包含三个显著部分：第一，采用多个共享模块学习数据的通用表征；第二，引入多个专用模块，专注于处理那些难以区分的特定子集；第三，通过全连接层以端到端的方式整合各子集的神经元输出，并对不同子集进行加权融合。我们在三个公开的食物识别数据集上，基于两种最新的先进视觉Transformer模型对所提方法进行了验证。实验结果表明，该方法在学习易混淆类别方面表现更优，并在三个数据集上均超越了现有最先进水平。