Food image recognition by a replay-based continual learning method using uncertainty-driven past-sample selection

Paraules clau: Aprendizaje continuo, Repetición, Ensayo, Incertidumbre, Reconocimiento de alimentos, Clasificación de alimentos, Aprendizaje profundo de evidencia; Continual learning, Replay, Rehearsal, Uncertainty, Food recognition, Food classification, Evidential Deep Learning; Aprenentatge continu, Repetició, Assaig, Incertesa, Reconeixement d'aliments, Classificació d'aliments, Aprenentatge profund d'evidència

Títol en diferents idiomes: Reconocimiento de imágenes de alimentos mediante un método de aprendizaje continuo basado en la repetición y la selección de muestras pasadas en función de la incertidumbre; Food image recognition by a replay-based continual learning method using uncertainty-driven past-sample selection; Reconeixement d'imatges d'aliments mitjançant un mètode d'aprenentatge continu basat en la repetició i la selecció de mostres passades en funció de la incertesa

Àrees temàtiques: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialitat: No

Curs acadèmic: 2023-2024

Estudiant: Pereira Canovas, Anxo-Lois

Aprenentatge Servei: No

Departament: Enginyeria Informàtica i Matemàtiques

Drets d'accés: info:eu-repo/semantics/openAccess

Data de la defensa del treball: 2024-06-18

Director del projecte: Radeva,Petia Ivanova

Resum: In this paper, we propose a novel approach to food image recognition utilizing a replay-based continual learning method with uncertainty-driven past-sample selection. Our method aims to address the challenges of data variability and evolving food databases by selectively retaining and revisiting samples based on their uncertain score. The proposed system could improve significantly many industries by improving the benchmarking results of the state-of-the-art methods. We have evaluated our proposed methods and other baseline methods on three datasets, including FOOD101. Finally, we have obtained very positive results, as we have largely outperformed the baseline sample selection methods for rehersal.; En aquest article, proposem un nou enfocament del reconeixement d'imatges d'aliments mitjançant un mètode d'aprenentatge continu basat en la reproducció amb una selecció de mostres anteriors basada en la incertesa. El nostre mètode té com a objectiu abordar els reptes de la variabilitat de les dades i l'evolució de les bases de dades d'aliments conservant i revisant de manera selectiva les mostres en funció de la seva puntuació incerta. El sistema proposat podria millorar significativament moltes indústries millorant els resultats de l'anàlisi comparativa dels mètodes d'última generació. Hem avaluat els nostres mètodes proposats i altres mètodes de referència en tres conjunts de dades, inclòs FOOD101. Finalment, hem obtingut resultats molt positius, ja que hem superat àmpliament els mètodes de selecció de mostres de referència per a l'assaig.

Matèria: Aliments--Investigació

Entitat: Universitat Rovira i Virgili (URV)

Idioma: en

Ensenyament(s): Ciència de Dades Biomèdiques

Títol en la llengua original: Food image recognition by a replay-based continual learning method using uncertainty-driven past-sample selection

Data d'alta al repositori: 2025-03-03