面向精细水果品质预测的隐私保护有序-元学习方法
计算机视觉与模式识别
2025-11-04 v1 人工智能
摘要
有效管理易腐果品的浪费，关键在于准确预测其新鲜度或保质期，这需要依赖非侵入式的视觉数据方法。深入学习技术可提供可行解决方案。然而，获取专家标注的细粒度水果新鲜度标签成本高昂，导致数据稀缺。封闭式视觉语言模型 (VLM) 如 Gemini 在零样本和少数样本设置下在水果新鲜度检测任务中表现突出。但食品零售组织无法利用这些封闭模型，因数据隐私顾虑。现有开源 VLM 在该任务上性能次优。用有限数据微调这些开源模型无法达到封闭模型的性能水平。本文引入一种模型无关的有序元学习 (MAOML) 算法，旨在训练较小的 VLM。该方法利用元学习解决数据稀缺问题，利用标签的有序性，实现在零样本和少数样本设置下在水果新鲜度分类任务中达到最先进的性能。我们的方法在所有水果上的平均准确率达到行业标准的 92.71%。关键词：水果品质预测、视觉语言模型、元学习、有序回归
引用
@article{arxiv.2511.01449,
title = {Privacy Preserving Ordinal-Meta Learning with VLMs for Fine-Grained Fruit Quality Prediction},
author = {Riddhi Jain and Manasi Patwardhan and Aayush Mishra and Parijat Deshpande and Beena Rai},
journal= {arXiv preprint arXiv:2511.01449},
year = {2025}
}
备注
9 pages, 1 figure, 4 tables