食品识别中事后未知类别检测的基准测试
计算机视觉与模式识别
2025-03-25 v1
摘要
食品识别模型通常难以区分已见和未见样本，经常通过将未见类别的样本分配为分布内（ID）标签而将其错误分类。当将这些模型部署到实际应用中时，这种错误分类带来了重大挑战，特别是在自动饮食评估系统中，错误的标签可能导致整个系统出现级联错误。理想情况下，此类模型在遇到未知样本时应提示用户，以便采取纠正措施。鉴于此前没有研究在实际环境中探索食品识别，在这项工作中，我们对各种事后分布外（OOD）检测方法在细粒度食品识别中的表现进行了实证分析。我们的研究结果表明，虚拟逻辑值匹配总体表现最佳，这可能是由于其结合了逻辑值和特征空间表示。此外，我们的工作强化了 OOD 领域的先前观点，指出具有较高 ID 准确率的模型在各种评估的 OOD 检测方法中表现更好。另外，在各种方法中，基于 Transformer 的架构在检测 OOD 样本方面始终优于基于卷积的模型。
引用
@article{arxiv.2503.18548,
title = {Benchmarking Post-Hoc Unknown-Category Detection in Food Recognition},
author = {Lubnaa Abdur Rahman and Ioannis Papathanail and Lorenzo Brigato and Stavroula Mougiakakou},
journal= {arXiv preprint arXiv:2503.18548},
year = {2025}
}