学术研究报告：基于Vision Transformer的高精度食物图像分类方法

1. 研究作者与发表信息
本研究的通讯作者为Xinle Gao、Zhiyong Xiao（江南大学人工智能与计算机科学学院）和Zhaohong Deng，研究成果发表于*Journal of Food Engineering*（2024年，卷365，页码111833）。

2. 学术背景与研究目标
食物图像分类是计算机视觉与机器学习领域的重要研究方向，但在处理形状相似但营养价值差异显著的食物（如面包与披萨）时面临挑战。传统卷积神经网络（CNN）在应对大规模食物图像时，因类别多样性和形状相似性导致性能受限。Vision Transformer（ViT）通过自注意力机制（self-attention）提取全局特征，但存在小样本过拟合和网络深度不足导致的早熟饱和问题。
本研究提出ALSMViT（AugmentPlus + LayerScale + Multi-layer Perception with Feature Local Enhancement），旨在通过数据增强（data augmentation）和特征增强（feature enhancement）提升ViT的分类精度，帮助用户通过图像识别管理饮食健康。

3. 研究方法与流程
研究分为以下核心步骤：

3.1 数据增强（AugmentPlus）
- 方法开发：结合3-Augment、TrivialAugmentWide和RandomErasing，改进随机裁剪函数（RandomResizedCrop），减少计算量。
- 增强操作：包括水平翻转（RandomHorizontalFlip）、高斯模糊（GaussianBlur）、灰度化（GrayScale）、色彩抖动（ColorJitter）等，增强模型对颜色和形状的鲁棒性。
- 验证效果：在Food-101和VIREO Food-172数据集上，AugmentPlus使ViT-B的准确率分别提升至91.7%和90.7%（基线为89.9%和89.2%）。

3.2 深度网络优化（LayerScale）
- 原理：在ViT的残差块输出端添加可学习对角矩阵，初始值设为1e-4，以控制残差分支的贡献，缓解梯度爆炸/消失问题。
- 公式改进：将原始ViT的残差计算（公式1-2）优化为带LayerScale的公式（公式3-4），引入矩阵向量提升收敛速度。
- 效果：在AugmentPlus基础上，ViT-L的准确率进一步提升至94.2%（Food-101）和93.5%（VIREO Food-172）。

3.3 特征局部增强（MLP-GC）
- 结构设计：结合全局响应归一化（GRN）和CNN的局部特征提取能力，对ViT的多层感知机（MLP）模块改进：
1. 通过GRN聚合特征，保留空间关系；
2. 将图像块（patch tokens）重塑为空间维度后，进行深度卷积（kernel size=k），增强局部相关性；
3. 引入对角矩阵（初始值0.1）进一步优化特征投影。
- 性能提升：最终ALSMViT-L的准确率达95.17%（Food-101）和94.29%（VIREO Food-172），较基线ViT-L提升5.26%和5.12%。

4. 实验结果与贡献
- 对比实验：与6种先进自监督方法（如DeiT、MAE、Swin Transformer）相比，ALSMViT在准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数上均显著领先（表5-6）。例如，在Food-101上，ALSMViT-L的F1分数达95.17%，优于ConvNextV2-L（94.28%）和Swin-L（93.71%）。
- 泛化能力：模型能区分形状相似但营养差异大的食物（如面包与披萨），为饮食健康管理提供技术支持。

5. 研究结论与价值
- 科学价值：
- 提出AugmentPlus解决小样本过拟合问题；
- 通过LayerScale和MLP-GC突破ViT的深度限制，提升特征提取能力。
- 应用价值：可集成至移动健康应用，辅助用户识别高热量食物，改善营养不良或肥胖问题。

6. 研究亮点
- 方法创新：首次将GRN与CNN局部卷积结合到ViT的MLP中，增强空间特征关联。
- 性能突破：在公开数据集上达到SOTA（State-of-the-Art）性能，且模型参数和计算量可控。
- 跨领域潜力：未来可扩展至通用图像分类任务。

7. 其他信息
研究得到中国国家重点研发计划（2022YFE0112400）和国家自然科学基金（62176105）支持，数据可通过请求获取。