面向食物图像识别的个性化分类器

当前，食物图像识别任务在固定数据集上评估。然而在真实条件下，存在每类样本数持续增加且新类样本出现的情况。特别是，由每个用户创建样本并持续更新的动态数据集中，不同用户间内容差异显著，且每人样本数十分有限。所有用户共用的单一分类器无法处理此类动态数据。在大规模上弥合实验室环境与真实世界之间的鸿沟尚未实现。为每个用户增量式地个性化分类器是一种有前景的途径。本文中，我们解决个性化问题，即利用极少量样本增量式适应用户域。我们提出一种简单而有效的个性化框架，其结合了基于深度特征的最近类均值分类器与 1-最近邻分类器。为进行真实实验，我们使用了一款食物记录应用采集的日常食物图像新数据集。实验结果表明，我们所提方法显著优于现有方法。