Fugu-MT 論文翻訳(概要): Online Class-Incremental Learning For Real-World Food Classification

論文の概要: Online Class-Incremental Learning For Real-World Food Classification

arxiv url: http://arxiv.org/abs/2301.05246v1
Date: Thu, 12 Jan 2023 19:00:27 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 14:46:04.798696
Title: Online Class-Incremental Learning For Real-World Food Classification
Title（参考訳）: リアルタイム食品分類のためのオンラインクラスインクリメンタルラーニング
Authors: Siddeshwar Raghavan, Jiangpeng He, Fengqing Zhu
Abstract要約: Online Class-Incremental Learning (OCIL)は、単一パスデータストリームから新しい情報を継続的に学習し、モデルを更新し、破滅的な忘れを軽減することを目的としている。既存のOCILメソッドの多くは、フェーズ間の非オーバーラップクラスや、各学習フェーズにおけるクラスの数など、いくつかの仮定をしている。我々は、これらの仮定を除去し、既存のOCIL法の性能を大幅に向上させることにより、実際の食品画像分類タスクにOCILを拡張した。
参考スコア（独自算出の注目度）: 6.602838826255494
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Online Class-Incremental Learning (OCIL) aims to continuously learn new information from single-pass data streams to update the model and mitigate catastrophic forgetting. However, most existing OCIL methods make several assumptions, including non-overlapped classes across phases and an equal number of classes in each learning phase. This is a highly simplified view of typical real-world scenarios. In this paper, we extend OCIL to the real-world food image classification task by removing these assumptions and significantly improving the performance of existing OCIL methods. We first introduce a novel probabilistic framework to simulate realistic food data sequences in different scenarios, including strict, moderate, and open diets, as a new benchmark experiment protocol. Next, we propose a novel plug-and-play module to dynamically select relevant images during training for the model update to improve learning and forgetting performance. Our proposed module can be incorporated into existing Experience Replay (ER) methods, which store representative samples from each class into an episodic memory buffer for knowledge rehearsal. We evaluate our method on the challenging Food-101 dataset and show substantial improvements over the current OCIL methods, demonstrating great potential for lifelong learning of real-world food image classification.
Abstract（参考訳）: Online Class-Incremental Learning (OCIL)は、単一パスデータストリームから新しい情報を継続的に学習し、モデルを更新し、破滅的な忘れを軽減することを目的としている。しかし、既存のOCILメソッドの多くは、位相をまたいだ非オーバーラップクラスや、各学習フェーズにおける同数のクラスなど、いくつかの仮定をしている。これは典型的な現実世界のシナリオを非常に単純化したビューです。本稿では,これらの仮定を除去し,既存のOCIL法の性能を大幅に向上させることにより,実世界の食品画像分類タスクにOCILを拡張した。まず,新しいベンチマーク実験プロトコルとして,厳格,中等度,オープンダイエットなど,さまざまなシナリオにおける現実的な食品データシーケンスをシミュレートする新しい確率的枠組みを導入する。次に,モデル更新のトレーニング中に関連する画像を動的に選択し,学習と学習性能を向上させるための新しいプラグイン・アンド・プレイモジュールを提案する。提案するモジュールは既存のexperience replay(er)メソッドに組み込むことができ、各クラスから代表サンプルをエピソディックメモリバッファに格納して知識リハーサルを行うことができる。本研究では,本手法の評価を行い,現状のocil法よりも大幅に改善し,実世界の食品画像分類の生涯学習の可能性を示す。

関連論文リスト

Learning to Classify New Foods Incrementally Via Compressed Exemplars [8.277136664415513]
食品画像分類システムは、画像に基づく食事評価技術を通じて、健康モニタリングと食事追跡において重要な役割を担っている。既存の食品認識システムは、予め定義された一定数の食品クラスによって特徴づけられる静的なデータセットに依存している。我々は、圧縮されたデータの品質を適応的に改善するために、ニューラル圧縮モデルを継続的に学習するという概念を紹介した。
論文参考訳（メタデータ） (2024-04-11T06:55:44Z)
From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
論文参考訳（メタデータ） (2024-03-12T08:32:23Z)
Premonition: Using Generative Models to Preempt Future Data Changes in Continual Learning [63.850451635362425]
継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
論文参考訳（メタデータ） (2024-03-12T06:29:54Z)
NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文参考訳（メタデータ） (2023-09-14T13:29:41Z)
Diffusion Model with Clustering-based Conditioning for Food Image Generation [22.154182296023404]
深層学習に基づく手法は、食品分類、セグメンテーション、部分サイズ推定などの画像解析に一般的に用いられている。潜在的な解決策の1つは、データ拡張に合成食品画像を使用することである。本稿では,高品質で代表的な食品画像を生成するための効果的なクラスタリングベースのトレーニングフレームワークであるClusDiffを提案する。
論文参考訳（メタデータ） (2023-09-01T01:40:39Z)
Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
論文参考訳（メタデータ） (2023-08-22T13:59:47Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
Long-tailed Food Classification [5.874935571318868]
本稿では,フード101-LTとVFN-LTを含む長期食品分類のための2つの新しいベンチマークデータセットを提案する。本稿では,(1)本級における授業不均衡問題に対処する新しい2相枠組みを提案し,知識蒸留による学習情報の保持とともに冗長なサンプルを除去する。本手法の有効性は,既存の最先端のロングテール分類法と比較し,Food101-LTとVFN-LTのベンチマークにおいて改善された性能を示す。
論文参考訳（メタデータ） (2022-10-26T14:29:30Z)
Simulating Personal Food Consumption Patterns using a Modified Markov Chain [5.874935571318868]
本稿では,マルコフ連鎖モデルの改良と自己指導型学習を活用することにより,個人用食品消費データパターンをシミュレートする新しい枠組みを提案する。実験の結果,ランダムシミュレーションやマルコフ連鎖法と比較して有望な性能を示した。
論文参考訳（メタデータ） (2022-08-13T18:50:23Z)
Online Continual Learning For Visual Food Classification [7.704949298975352]
既存の方法はトレーニングのために静的なデータセットを必要としており、シーケンシャルに利用可能な新しい食品画像から学ぶことができない。本稿では,各学習食品に含まれる最も代表的なデータを格納するための,クラスタリングに基づく模範選択アルゴリズムを提案する。その結果,既存のオンライン連続学習手法と比較して,大幅な改善が見られた。
論文参考訳（メタデータ） (2021-08-15T17:48:03Z)
Self-Damaging Contrastive Learning [92.34124578823977]
ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
論文参考訳（メタデータ） (2021-06-06T00:04:49Z)

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。