Reconocimiento de imágenes de alimentos basado en aprendizaje anti-ruido y mejora de las características de...

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Computación de alimentos

Sus antecedentes:

• El reconocimiento de imágenes de alimentos es crucial para la evaluación de la dieta y el seguimiento de la nutrición.
• El ruido de imagen de los dispositivos y entornos degrada el rendimiento de la clasificación.
• Los métodos existentes luchan con la invarianza del ruido y la representación robusta de las características.

Objetivo del estudio:

• Desarrollar un método robusto de reconocimiento de imágenes de alimentos que supere las limitaciones de ruido.
• Mejorar la precisión de la clasificación y la eficiencia del modelo para el análisis de imágenes de alimentos.
• Mejorar la extracción de características y la invarianza del ruido en los sistemas de reconocimiento de alimentos.

Principales métodos:

• Propuso un módulo de reconocimiento adaptativo del ruido (NARM) que incorporaba imágenes ruidosas y la desnudez como tarea auxiliar.
• Se introdujo el agrupamiento de covarianza global mejorado por valor propio (EGCP) para mitigar el ruido y mejorar la representación de características.
• Desarrolló la fusión ponderada de granularidad múltiple (WMF) y la destilación progresiva de características conscientes de la temperatura (PTAFD) para una extracción eficiente de características.

Principales resultados:

• Se ha logrado una precisión Top-1 del 92,57% en el conjunto de datos ETH Food-101.
• Demostró un rendimiento superior tanto en la precisión Top-1 como en la Top-5 en los conjuntos de datos ETH Food-101 y Vireo Food-172.
• Validación de la eficacia y robustez del modelo en escenarios de reconocimiento de imágenes de alimentos en el mundo real.

Conclusiones:

• El método propuesto de aprendizaje anti-ruido y mejora de las características de covarianza mejora significativamente el reconocimiento de imágenes de alimentos.
• Los módulos integrados NARM, EGCP y WMF ofrecen una solución robusta para la clasificación de imágenes ruidosas.
• El enfoque proporciona una herramienta eficiente y efectiva para aplicaciones como la evaluación dietética y el monitoreo de la nutrición.