論文の概要: Long-Tailed Continual Learning For Visual Food Recognition

• arxiv url: http://arxiv.org/abs/2307.00183v2
• Date: Sat, 26 Apr 2025 21:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:51.505193
• Title: Long-Tailed Continual Learning For Visual Food Recognition
• Title（参考訳）: 視覚的食品認識のための長期学習
• Authors: Jiangpeng He, Xiaoyan Zhang, Luotao Lin, Jack Ma, Heather A. Eicher-Miller, Fengqing Zhu,
• Abstract要約: 包括的アノテーションとともに、186のアメリカ食品を含むデータセットを紹介した。 本稿では, 食品クラスにおける一般化能力を向上する新しいエンドツーエンドフレームワークを提案する。 本手法は,Food101-LT,VFN-LT,VFN186-LT,VFN186-INSULIN,VFN186-T2DMで評価され,既存の方法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 8.246111678466717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based food recognition has made significant progress in predicting food types from eating occasion images. However, two key challenges hinder real-world deployment: (1) continuously learning new food classes without forgetting previously learned ones, and (2) handling the long-tailed distribution of food images, where a few common classes and many more rare classes. To address these, food recognition methods should focus on long-tailed continual learning. In this work, We introduce a dataset that encompasses 186 American foods along with comprehensive annotations. We also introduce three new benchmark datasets, VFN186-LT, VFN186-INSULIN and VFN186-T2D, which reflect real-world food consumption for healthy populations, insulin takers and individuals with type 2 diabetes without taking insulin. We propose a novel end-to-end framework that improves the generalization ability for instance-rare food classes using a knowledge distillation-based predictor to avoid misalignment of representation during continual learning. Additionally, we introduce an augmentation technique by integrating class-activation-map (CAM) and CutMix to improve generalization on instance-rare food classes. Our method, evaluated on Food101-LT, VFN-LT, VFN186-LT, VFN186-INSULIN, and VFN186-T2DM, shows significant improvements over existing methods. An ablation study highlights further performance enhancements, demonstrating its potential for real-world food recognition applications.
• Abstract（参考訳）: 深層学習に基づく食品認識は、機会画像の摂取による食品の種類予測に大きな進歩をもたらした。 しかし, 現実の展開を妨げる主な課題は, 1) 学習済みの食品を忘れずに新しい食品の授業を継続的に学習すること, (2) 共通するクラスや稀なクラスが多数存在する食品画像の長期分布を扱うこと, の2つである。 これらの課題に対処するためには、食品認識手法は長期的連続学習に焦点をあてるべきである。 本研究では,アメリカ産食品186点を包括的アノテーションとともに含むデータセットについて紹介する。 VFN186-LT, VFN186-INSULIN, VFN186-T2Dの3つの新しいベンチマークデータセットも導入した。 本稿では, 知識蒸留に基づく予測器を用いて, 連続学習における表現の誤調整を避けることによって, 食品の類型分類の一般化能力を向上する新しいエンドツーエンドフレームワークを提案する。 さらに,CAM (class-activation-map) とCutMixを統合した拡張手法を導入する。 本手法は,Food101-LT,VFN-LT,VFN186-LT,VFN186-INSULIN,VFN186-T2DMで評価され,既存の方法よりも大幅に改善されている。 アブレーション研究は、さらなるパフォーマンス向上を強調し、現実世界の食品認識アプリケーションの可能性を示している。

関連論文リスト

• Personalized Class Incremental Context-Aware Food Classification for Food Intake Monitoring Systems [3.8767314375943918]
  既存の食品分類モデルでは、新しい分類の精度は低く、パーソナライゼーションの欠如がある。 本稿では,これらの課題を克服するために,個人別・クラス別食品分類モデルを提案する。 本手法は, 個人化により, 新クラスと既存クラスの両方に適用可能性と精度を維持しながら, 新たな食品クラスに適応する。
  論文  参考訳（メタデータ） (2025-03-09T14:50:56Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Single-Stage Heavy-Tailed Food Classification [7.800379384628357]
  そこで本研究では,新しい一段階のヘビーテール食品分類フレームワークを提案する。 本手法は,フード101-LTとVFN-LTの2つの重み付き食品ベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-01T00:45:35Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• 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)
• A Mobile Food Recognition System for Dietary Assessment [6.982738885923204]
  我々は,生活支援のための食品認識アプリケーションの開発に焦点をあてる。 このタスクにMobilenet-v2アーキテクチャを使うことは、正確性とメモリ使用量の両方において有益である。 開発されたモバイルアプリケーションは、画像を介して自動食品認識において視覚障害者に役立てる可能性がある。
  論文  参考訳（メタデータ） (2022-04-20T12:49:36Z)
• 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)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• Large Scale Visual Food Recognition [43.43598316339732]
  これは2000のカテゴリと100万以上のイメージを持つ、最大規模の食品認識データセットです。 food2kはそれらをカテゴリとイメージの両方で1桁ずつバイパスする。 食品認識のためのディーププログレッシブ領域強化ネットワークを提案します。
  論文  参考訳（メタデータ） (2021-03-30T06:41:42Z)

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。