論文の概要: Few-Shot Ordinal Learning for Day-Wise Freshness Estimation with Hyperspectral Fish Images

• arxiv url: http://arxiv.org/abs/2608.12230v1
• Date: Wed, 12 Aug 2026 16:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.635847
• Title: Few-Shot Ordinal Learning for Day-Wise Freshness Estimation with Hyperspectral Fish Images
• Title（参考訳）: ハイパースペクトル魚画像を用いた昼夜の鮮度推定のための少ないショット規則学習
• Abstract要約: HSIをベースとした食品品質評価のための,最初の数発の学習フレームワークについて紹介する。 厳密な未確認フィレットプロトコルの下で16日間のサーモンHSIデータセットを用いて, 平均絶対誤差が1.58日, 2日間の精度が72.3%, ラベル付き1フィレット当たり3日であった。
• 参考スコア（独自算出の注目度）: 0.5097809301149342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-destructive food quality assessment has increasingly benefited from hyperspectral imaging (HSI), which captures spectral signatures linked to biochemical changes during storage. Estimating day-wise freshness, however, remains challenging owing to strong inter-fillet variability and scarce labelled data per product. All existing deep learning approaches for HSI-based freshness prediction operate under full supervision, requiring densely annotated training sets that are costly to obtain at the individual-product level. We introduce, to the best of our knowledge, the first few-shot learning framework for HSI-based food quality estimation. Each fillet defines a distinct episodic task, and a CORAL-style ordinal prediction head captures the ranked nature of freshness progression through cumulative threshold modelling. Biologically grounded monotonicity and embedding smoothness constraints further guide predictions toward plausible trajectories. On a 16-day salmon HSI dataset under a strict unseen-fillet protocol, our method achieves a mean absolute error of 1.58 days and 2-day accuracy of 72.3% with only three labelled days per fillet, substantially outperforming scalar regression and label-distribution baselines under an identical unseen-fillet protocol.
• Abstract（参考訳）: 非破壊的な食品品質評価は、貯蔵中の生化学的変化に関連するスペクトルをキャプチャするハイパースペクトルイメージング(HSI)の恩恵を受けている。 しかし、1日あたりの鮮度を見積もるのは、フィレット間の変動が強く、ラベル付きデータが不足しているため、依然として難しい。 HSIベースの新鮮度予測のための既存のディープラーニングアプローチはすべて、完全な監督の下で運用されており、個々の製品レベルで取得するのにコストがかかる、高度に注釈付けされたトレーニングセットが必要である。 HSIをベースとした食品品質評価のための,最初の数発の学習フレームワークについて紹介する。 各フィレットは、異なるエピソードタスクを定義し、コーラルスタイルの順序予測ヘッドは累積しきい値モデリングにより、鮮度進行のランク付けされた性質をキャプチャする。 生物学的に定位された単調性と埋め込みの滑らかさの制約により、さらに可塑性軌道への予測が導かれる。 16日間のサーモンHSIデータセットを厳密な未確認フレットプロトコルで, 平均絶対誤差1.58日, 2日精度72.3%, ラベル付きフレット1日当たり3日で達成し, 同一の未確認フレットプロトコルでスカラー回帰とラベル分布ベースラインを大幅に上回った。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• Quality Detection of Stored Potatoes via Transfer Learning: A CNN and Vision Transformer Approach [5.4334298353938415]
  画像ベースのディープラーニングは、ストレージ中のポテトの品質を監視する、非侵襲的でスケーラブルなソリューションを提供する。 DenseNetは98.03%の精度で異常な性能を達成した。 現実的な意味としては、在庫管理の改善、価格戦略の相違、サプライチェーン全体の食品廃棄物の削減などが挙げられる。
  論文  参考訳（メタデータ） (2026-01-02T11:10:55Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning [1.837552179215311]
  そこで本研究では,日時を熱時間に置き換えるモデル非依存の熱時間に基づくテンポラルサンプリング(T3S)手法を提案する。 この生物学的に意味のある方法で時系列をサブサンプリングすることで、成長期における重要な期間を明らかにすることができる。 スイス全土をカバーするSentinel-2データセットを用いて,T3Sの評価を行った。
  論文  参考訳（メタデータ） (2025-06-15T15:30:08Z)
• RoCA: Robust Contrastive One-class Time Series Anomaly Detection with Contaminated Data [19.25420308920505]
  正規性仮定に基づく手法は3つの制限に直面している。 彼らの基本的な前提は、トレーニングデータが汚染されていない(異常がない)ことである。 本稿では,上記の3つの課題に最初に対処した,新しい堅牢なアプローチであるRoCAを提案する。
  論文  参考訳（メタデータ） (2025-03-24T06:52:28Z)
• COIN: Confidence Score-Guided Distillation for Annotation-Free Cell Segmentation [2.5234274237739402]
  提案するCOIN(Confidence score-guided Instance distillation)は、3つの重要なステップを持つ新しいアノテーションフリーフレームワークである。 COINは最適なトランスポートを持つ教師なしセマンティックセグメンテーションを通じてエラーのないインスタンスの存在に対する感度を高める。 接地真理アノテーションの代替を提供し、接地真理アノテーションの代替を提供する。
  論文  参考訳（メタデータ） (2025-03-14T14:27:24Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Uncertainty-aware Sampling for Long-tailed Semi-supervised Learning [89.98353600316285]
  擬似ラベルサンプリングのモデル化プロセスに不確実性を導入し、各クラスにおけるモデル性能が異なる訓練段階によって異なることを考慮した。 このアプローチにより、モデルは異なる訓練段階における擬似ラベルの不確かさを認識でき、それによって異なるクラスの選択閾値を適応的に調整できる。 FixMatchのような他の手法と比較して、UDTSは自然シーン画像データセットの精度を少なくとも5.26%、1.75%、9.96%、1.28%向上させる。
  論文  参考訳（メタデータ） (2024-01-09T08:59:39Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• S$^3$R: Self-supervised Spectral Regression for Hyperspectral Histopathology Image Classification [13.388372624497807]
  本稿では,高スペクトル画像(HSI)のスペクトル領域における低階特性を利用した,効率的かつ効果的な自己監督型スペクトル回帰法(S$3$R)を提案する。 2つのプレテキストタスクを設計する:(1)S$3$R-CRは線形係数を回帰し、事前学習されたモデルがHSIの固有構造と異なる形態の病理特性を理解するようにし、(2)S$3$R-BRは欠落したバンドを回帰し、HSIの全体論的意味学を学ぶモデルを作る。
  論文  参考訳（メタデータ） (2022-09-19T05:47:11Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。