論文の概要: Multi-Source Deep Domain Adaptation for Quality Control in Retail Food Packaging

• arxiv url: http://arxiv.org/abs/2001.10335v1
• Date: Tue, 28 Jan 2020 14:16:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:07:27.710173
• Title: Multi-Source Deep Domain Adaptation for Quality Control in Retail Food Packaging
• Title（参考訳）: 食品包装の品質管理のための多ソース深部ドメイン適応
• Authors: Mamatha Thota, Stefanos Kollias, Mark Swainson, Georgios Leontidis
• Abstract要約: マルチソース深層学習に基づくドメイン適応システムを提案する。 提案システムは実験で非常によく機能した。
• 参考スコア（独自算出の注目度）: 8.640786765448132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail food packaging contains information which informs choice and can be vital to consumer health, including product name, ingredients list, nutritional information, allergens, preparation guidelines, pack weight, storage and shelf life information (use-by / best before dates). The presence and accuracy of such information is critical to ensure a detailed understanding of the product and to reduce the potential for health risks. Consequently, erroneous or illegible labeling has the potential to be highly detrimental to consumers and many other stakeholders in the supply chain. In this paper, a multi-source deep learning-based domain adaptation system is proposed and tested to identify and verify the presence and legibility of use-by date information from food packaging photos taken as part of the validation process as the products pass along the food production line. This was achieved by improving the generalization of the techniques via making use of multi-source datasets in order to extract domain-invariant representations for all domains and aligning distribution of all pairs of source and target domains in a common feature space, along with the class boundaries. The proposed system performed very well in the conducted experiments, for automating the verification process and reducing labeling errors that could otherwise threaten public health and contravene legal requirements for food packaging information and accuracy. Comprehensive experiments on our food packaging datasets demonstrate that the proposed multi-source deep domain adaptation method significantly improves the classification accuracy and therefore has great potential for application and beneficial impact in food manufacturing control systems.
• Abstract（参考訳）: 小売食品包装には、製品名、食材リスト、栄養情報、アレルゲン、準備ガイドライン、パック重量、貯蔵量、シェルフライフ情報(使用前/使用前)など、消費者健康にとって重要な情報が含まれている。 このような情報の存在と正確さは、製品の詳細な理解の確保と健康リスクの低減に不可欠である。 その結果、不正または不正なラベル付けは、消費者や他のサプライチェーンの利害関係者にとって非常に有害な可能性がある。 本稿では,食品生産ラインに沿って製品が通過する検証プロセスの一環として撮影された食品包装写真から使用日情報の有無と妥当性を識別・検証するために,多元深層学習に基づくドメイン適応システムを提案する。 これは、すべてのドメインに対するドメイン不変表現を抽出し、共通機能空間におけるすべてのソースとターゲットドメインの分布を、クラス境界とともに整列するために、マルチソースデータセットを使用することで、テクニックの一般化を改善することで達成された。 提案システムは,検証プロセスの自動化や,公衆衛生を脅かすようなラベル付けエラーの低減,食品包装情報や正確性に対する法的要件の回避など,実施実験において極めて良好に機能した。 食品包装データセットの総合的な実験により,提案手法は分類精度を著しく向上させ,食品製造制御システムに適用し,有益な影響をもたらす可能性が示唆された。

関連論文リスト

• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• An Integrated System for Mobile Image-Based Dietary Assessment [7.352044746821543]
  本稿では,食事摂取状況の把握と分析を行うモバイル型イメージベース食事アセスメントシステムの設計と開発について述べる。 本システムは,自然条件下での高品質な食品画像の収集が可能であり,新しい計算手法を開発するための基盤となるアノテーションを提供する。
  論文  参考訳（メタデータ） (2021-10-05T00:04:19Z)
• Improving Dietary Assessment Via Integrated Hierarchy Food Classification [7.398060062678395]
  本稿では,複数のドメインからの情報を統合することにより,予測の質を向上させるための新しい食品分類フレームワークを提案する。 本手法は, 改良VIPER-FoodNet (VFN) 食品画像データセットに対して, 関連するエネルギーと栄養情報を含むことにより検証した。
  論文  参考訳（メタデータ） (2021-09-06T20:59:58Z)
• Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
  食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。 食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。 食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
  論文  参考訳（メタデータ） (2021-07-13T06:26:53Z)
• AI-enabled Efficient and Safe Food Supply Chain [0.0]
  機械と深層学習の最近の進歩は、効率的な食品生産、エネルギー管理、食品ラベル付けに利用されている。 3つの実験研究が行われ、これらのAI手法が食品サプライチェーン全体で最先端のパフォーマンスを生み出す能力を示しています。
  論文  参考訳（メタデータ） (2021-05-01T19:24:53Z)
• Hybrid consistency and plausibility verification of product data according to FIC [0.0]
  EUにおける食品のラベル付けは、FIC(Food Information of Customers)によって規制されている。 FIC要求に応じて栄養素宣言とアレルゲンラベリングを検証するために,ルールベースと機械学習のハイブリッドアプローチを提案する。 その結果、製品の成分のサブセットでトレーニングされたニューラルネットは、高い信頼性を持つアレルゲンを予測できることがわかった。
  論文  参考訳（メタデータ） (2021-02-03T11:37:43Z)
• Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
  画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。 本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。 食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
  論文  参考訳（メタデータ） (2020-03-09T07:41:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。