論文の概要: Continual Learning for Food Category Classification Dataset: Enhancing Model Adaptability and Performance

• arxiv url: http://arxiv.org/abs/2603.19624v1
• Date: Fri, 20 Mar 2026 04:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.987294
• Title: Continual Learning for Food Category Classification Dataset: Enhancing Model Adaptability and Performance
• Title（参考訳）: 食品カテゴリー分類データセットの連続学習:モデル適応性と性能の向上
• Authors: Piyush Kaushik Bhattacharyya, Devansh Tomar, Shubham Mishra, Divyanshu Rai, Yug Pratap Singh, Harsh Yadav, Krutika Verma, Vishal Meena, N Sangita Achary,
• Abstract要約: テキスト誘導食品分類のための連続学習フレームワークを提案する。 提案手法は,事前知識を劣化させることなく,新たなカテゴリを統合可能なインクリメンタルアップデートを実現する。 このデザインは食品の適応的認識を約束するもので、食生活のモニタリングやパーソナライズされた栄養計画に応用されている。
• 参考スコア（独自算出の注目度）: 0.9480662172227129
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Conventional machine learning pipelines often struggle to recognize categories absent from the original trainingset. This gap typically reduces accuracy, as fixed datasets rarely capture the full diversity of a domain. To address this, we propose a continual learning framework for text-guided food classification. Unlike approaches that require retraining from scratch, our method enables incremental updates, allowing new categories to be integrated without degrading prior knowledge. For example, a model trained on Western cuisines could later learn to classify dishes such as dosa or kimchi. Although further refinements are needed, this design shows promise for adaptive food recognition, with applications in dietary monitoring and personalized nutrition planning.
• Abstract（参考訳）: 従来の機械学習パイプラインは、元のトレーニングセットから欠落したカテゴリを認識するのに苦労することが多い。 このギャップは一般的に、固定データセットがドメインの完全な多様性を捉えることは滅多にないため、精度を低下させる。 そこで本研究では,テキスト誘導食品分類のための連続学習フレームワークを提案する。 スクラッチから再トレーニングを必要とするアプローチとは異なり、我々の手法はインクリメンタルな更新を可能にし、新しいカテゴリを事前の知識を損なうことなく統合することができる。 例えば、西洋料理で訓練されたモデルは、後に土砂やキムチなどの料理の分類を学ぶことができる。 さらなる改良が必要であるが、このデザインは食品の適応的認識を約束するもので、食生活のモニタリングや個人化された栄養計画に応用されている。

関連論文リスト

• LLMs-based Augmentation for Domain Adaptation in Long-tailed Food Datasets [54.527878056610156]
  食品認識におけるこれらの課題に対処するために,大規模言語モデル(LLM)を用いた枠組みを提案する。 まず LLM を利用して食品イメージを解析し,食品のタイトルや材料を生成する。 そして、生成したテキストと食品の画像を異なるドメインから共有埋め込み空間に投影し、ペアの類似性を最大化する。
  論文  参考訳（メタデータ） (2025-11-20T04:38:56Z)
• 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)
• 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)
• Infinite dSprites for Disentangled Continual Learning: Separating Memory Edits from Generalization [36.23065731463065]
  Infinite dSpritesは任意の長さの連続的な分類ベンチマークを作成するための擬似ツールである。 この単純なベンチマークでは、十分に長い時間をかけて、全ての主要な連続学習手法の性能が低下していることが示される。 生成因子を直接監督した簡単な設定では、学習階級に依存しない変換が破滅的な忘れを回避できる方法を示している。
  論文  参考訳（メタデータ） (2023-12-27T22:05:42Z)
• 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)
• Long-Tailed Continual Learning For Visual Food Recognition [8.246111678466717]
  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。
  論文  参考訳（メタデータ） (2023-07-01T00:55:05Z)
• 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)
• Counterfactual Recipe Generation: Exploring Compositional Generalization in a Realistic Scenario [60.20197771545983]
  本研究では,材料の変化に応じて基本レシピを変更するようモデルに依頼する,反現実的なレシピ生成タスクを設計する。 料理の知識を学習するモデルのために、中国語で大規模なレシピデータセットを収集する。 その結果、既存のモデルでは原文のスタイルを保ちながら素材の変更が困難であり、調整が必要なアクションを見逃すことがしばしばあった。
  論文  参考訳（メタデータ） (2022-10-20T17:21:46Z)
• 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)

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。