Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.17347

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.17347 (cs)
[提交于 2025年7月23日 (v1) ,最后修订 2025年7月28日 (此版本, v3)]

标题: Swin-TUNA:一种用于精确食品图像分割的新型PEFT方法

标题: Swin-TUNA : A Novel PEFT Approach for Accurate Food Image Segmentation

Authors:Haotian Chen, Zhiyong Xiao
摘要: 在食品图像处理领域,高效的语义分割技术对于工业应用至关重要。 然而,现有的大规模基于Transformer的模型(如FoodSAM)由于参数量庞大和计算资源需求高,在满足实际部署要求方面面临挑战。 本文介绍了TUNable Adapter模块(Swin-TUNA),这是一种参数高效的微调(PEFT)方法,将多尺度可训练适配器集成到Swin Transformer架构中,仅更新4%的参数即可实现高性能的食品图像分割。 Swin-TUNA的核心创新在于其分层特征适应机制:它在深度和不同尺度的维度映射中设计了可分离卷积,以解决浅层和深层网络之间特征的差异,并结合任务无关和任务特定特征的动态平衡策略。 实验表明,该方法在FoodSeg103和UECFoodPix Complete数据集上的mIoU分别达到50.56%和74.94%,超越了完全参数化的FoodSAM模型,同时将参数量减少了98.7%(仅剩8.13M)。 此外,Swin-TUNA在低数据场景下表现出更快的收敛速度和更强的泛化能力,为构建轻量级食品图像提供了高效的解决方案。
摘要: In the field of food image processing, efficient semantic segmentation techniques are crucial for industrial applications. However, existing large-scale Transformer-based models (such as FoodSAM) face challenges in meeting practical deploymentrequirements due to their massive parameter counts and high computational resource demands. This paper introduces TUNable Adapter module (Swin-TUNA), a Parameter Efficient Fine-Tuning (PEFT) method that integrates multiscale trainable adapters into the Swin Transformer architecture, achieving high-performance food image segmentation by updating only 4% of the parameters. The core innovation of Swin-TUNA lies in its hierarchical feature adaptation mechanism: it designs separable convolutions in depth and dimensional mappings of varying scales to address the differences in features between shallow and deep networks, combined with a dynamic balancing strategy for tasks-agnostic and task-specific features. Experiments demonstrate that this method achieves mIoU of 50.56% and 74.94% on the FoodSeg103 and UECFoodPix Complete datasets, respectively, surpassing the fully parameterized FoodSAM model while reducing the parameter count by 98.7% (to only 8.13M). Furthermore, Swin-TUNA exhibits faster convergence and stronger generalization capabilities in low-data scenarios, providing an efficient solution for assembling lightweight food image.
评论: 经过作者讨论,论文的一些部分被认为不合适,将进行修改并重新提交
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2507.17347 [cs.CV]
  (或者 arXiv:2507.17347v3 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.17347
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Haotian Chen [查看电子邮件]
[v1] 星期三, 2025 年 7 月 23 日 09:28:25 UTC (2,271 KB)
[v2] 星期四, 2025 年 7 月 24 日 12:46:21 UTC (1 KB)
[v3] 星期一, 2025 年 7 月 28 日 08:44:20 UTC (2,274 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号