利用 Google 街景图像建模城市食物不安全问题-计算机科学-图像处理-食品安全.pdfVIP

利用Google街景图像建模城市食物不安全问题

DavidLi

StanfordUniversity

davidwl@stanford.edu

Abstract房条件以及社会经济指标——以估计地理区域内的食

物不安全状况[7][10][12]。这些方法在提高时间粒度

食品不安全是一个严重影响许多世界城市大都会和以一致的准确性识别食物不安全方面显示出潜力。

区域的社会和公共健康问题。识别食品不安全的现有

本方法主要依赖于定性和定量的调查数据，这很难扩大然而，据我们所知，尚未有研究探讨街道级图像数

据在建模食物不安全方面的有效性。我们认为这个项

译规模。本项目旨在探索使用街景图像来建模普查区层

目有趣的原因有两个。首先，街道级成像是在城市规划

中面食品不安全状况的有效性。为此，我们提出了一种两

领域内我们定期可以获取的最细致的视觉数据。与传

1步过程，即特征提取和门控注意力机制进行图像聚合。

v我们通过与其他模型架构比较、解释我们的学习权重统的通过卫星图像识别食物不安全的方法相比，街道

4级成像在空间信息方面具有独特性。其次，随着人们对

2以及进行案例研究来评估我们模型的有效性。尽管我

9自动驾驶汽车期望的不断增长，我们相信街道级图像

2们的模型在预测能力方面略显不足，但我们认为我们的相关性将在重要性和可用性上继续增加。因此，能够

0的方法仍有可能补充现有的识别城市规划者和政策制

.利用如此丰富多样的数据来解决诸如食物不安全等重

7定者的食品不安全的方法。

0要的城市问题很可能也会证明是富有成效的。

5

2本项目旨在通过调查是否可以通过谷歌街景捕捉

:1.介绍的建筑环境物理特征，在城市大都市地区以人口普查

v

i

x食物不安全被定义为一个家庭层面的经济和社会区为单位预测食物不安全状况，来填补这一文献空白。

r

a我们从美国25个最大的城市中提取街景图像，并使用

状况，表现为获取充足食物的机会有限或不确定[11]。

这些图像对在Places365上预训练的ResNet-18模型进

这种情况影响了全球数百万人，并对政策制定者构成

了重要的公共卫生问题。检测经历食物不安全的家庭行微调。然后，我们提出一种机制将单张图像聚合起

和社区在研究社会不平等以及帮助政策制定者和其他来，在邻里层面预测食物不安全状况。总体而言，我们

组织做出关于如何最好地分配食品资源的知情决策方发现最佳模型能够达到0.80的准确率和0.71的F1分

面至关重要。传统的食物不安全检测方法依赖于从非数。我们还发现，我们的模型在做预测时很大程度