Fugu-MT 論文翻訳(概要): Food Odor Recognition via Multi-step Classification

論文の概要: Food Odor Recognition via Multi-step Classification

arxiv url: http://arxiv.org/abs/2110.09956v1
Date: Wed, 13 Oct 2021 23:42:53 GMT
ステータス: 処理完了
システム内更新日: 2023-03-11 14:16:15.168846
Title: Food Odor Recognition via Multi-step Classification
Title（参考訳）: 多段階分類による食品臭気認識
Authors: Ang Xu, Tianzhang Cai, Dinghao Shen and Asher Wang
Abstract要約: 我々は,BMEAIスタジオを内蔵したBME688ガスセンサをデータ収集と特徴抽出に使用している。また,多段階分類器の必要性と実現可能性を示すアブレーション実験を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting food labels and freshness from its odor remains a decades-old task that requires a complicated algorithm combined with high sensitivity sensors. In this paper, we initiate a multi-step classifier, which firstly clusters food into four categories, then classifies the food label concerning the predicted category, and finally identifies the freshness. We use BME688 gas sensors packed with BME AI studio for data collection and feature extraction. The normalized dataset was preprocessed with PCA and LDA. We evaluated the effectiveness of algorithms such as tree methods, MLP, and CNN through assessment indexes at each stage. We also carried out an ablation experiment to show the necessity and feasibility of the multi-step classifier. The results demonstrated the robustness and adaptability of the multi-step classifier.
Abstract（参考訳）: 匂いから食品のラベルや鮮度を予測するには、複雑なアルゴリズムと高感度センサーが必要になる。本稿では,まず食品を4つのカテゴリに分類し,次に予測されたカテゴリに関する食品ラベルを分類し,最後に鮮度を同定する多段階分類器を提案する。データ収集と特徴抽出にBMEAIスタジオを内蔵したBME688ガスセンサを使用する。正規化データセットはPCAとLDAで前処理された。各段階での評価指標を用いて,木法,MPP,CNNなどのアルゴリズムの有効性を評価した。また,多段階分類器の必要性と実現可能性を示すアブレーション実験を行った。その結果, 多段階分類器の堅牢性と適応性を示した。

関連論文リスト

Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Manifold DivideMix: A Semi-Supervised Contrastive Learning Framework for Severe Label Noise [4.90148689564172]
実世界のデータセットには、データセットのどのクラスにも意味のないノイズの多いラベルサンプルが含まれている。最先端の手法の多くは、IDラベル付きノイズサンプルを半教師付き学習のためのラベルなしデータとして利用する。自己指導型トレーニングの利点を生かして,すべてのトレーニングデータからの情報を活用することを提案する。
論文参考訳（メタデータ） (2023-08-13T23:33:33Z)
Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。本稿では,生成モデルの観点からラベルノイズ問題を再構成する。我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
論文参考訳（メタデータ） (2023-05-31T03:01:36Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文参考訳（メタデータ） (2022-06-04T08:48:02Z)
Novel Multicolumn Kernel Extreme Learning Machine for Food Detection via Optimal Features from CNN [0.0]
本稿では,効率的なニューラルネットワークから最適な特徴を抽出し,選択するためのハイブリッドフレームワークを提案する。我々は,カーネル極端学習機械(KELM)を非線形決定境界と優れた一般化能力により活用する。提案するフレームワークの評価には、9つのパブリックデータセットを使用して、大規模な食品/食品以外のデータセットを用意している。
論文参考訳（メタデータ） (2022-05-15T18:07:43Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
Performance Evaluation of Classification Models for Household Income, Consumption and Expenditure Data Set [0.0]
家庭の食品安全状態を分類するために,10種類の機械学習アルゴリズムを用いた。ランダムフォレストとグラディエント・ブースティングのモデルの性能は0.9997の精度で優れている。
論文参考訳（メタデータ） (2021-06-18T12:00:48Z)
Learning Image Labels On-the-fly for Training Robust Classification Models [13.669654965671604]
ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
論文参考訳（メタデータ） (2020-09-22T05:38:44Z)
SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
論文参考訳（メタデータ） (2020-08-16T11:07:44Z)
Proximity-Based Active Learning on Streaming Data: A Personalized Eating Moment Recognition [17.961752949636306]
本稿では,身近な身近な身近な行動認識モデルである,ストリーミングデータに基づくプロクシミティベースのアクティブラーニングを提案する。制御および制御されていない設定の両方で収集されたデータから、PLASのFスコアは10から60のクエリの予算に対して22%から39%の範囲であることが示された。
論文参考訳（メタデータ） (2020-03-29T18:17:29Z)

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。