面向食物摄入监测系统的个性化类增量上下文感知食物分类
计算机视觉与模式识别
2025-03-11 v1 计算工程、金融与科学
机器学习
摘要
准确的食物摄入监测对于保持健康饮食和预防营养相关疾病至关重要。由于不同文化中消费的食物种类繁多，经典的食物分类模型因其依赖于固定大小的食物数据集而存在局限性。研究表明，人们在现有食物中只食用很小范围的食物，且每个人食用的食物组合各不相同。现有的类增量模型对新类的准确率较低且缺乏个性化。本文引入了一个个性化的、类增量的食物分类模型，旨在克服这些挑战并提高食物摄入监测系统的性能。我们的方法通过使用个性化，使其适应新的食物类别阵列，对新类和现有类均保持适用性和准确性。我们模型的主要关注点是个性化，它通过根据个人的饮食习惯（包括进餐频率、时间和地点）优先考虑食物子集来提高分类准确性。利用修改版的 DSN 来扩展新食物类别的外观。此外，我们提出了一个综合框架，将该模型集成到食物摄入监测系统中。该系统分析用户提供的膳食图像，利用智能秤估计食物重量，利用营养成分数据库计算每种宏量营养素的量，并通过移动应用程序创建用户饮食档案。最后，在两个新的基准数据集 FOOD101-Personal 和 VFN-Personal（用于食物分类的知名数据集的个性化版本）上进行了实验评估，以证明我们的模型在提高新类和现有类分类准确性方面的有效性，从而解决了传统和类增量食物分类模型的局限性。
引用
@article{arxiv.2503.06647,
title = {Personalized Class Incremental Context-Aware Food Classification for Food Intake Monitoring Systems},
author = {Hassan Kazemi Tehrani and Jun Cai and Abbas Yekanlou and Sylvia Santosa},
journal= {arXiv preprint arXiv:2503.06647},
year = {2025}
}