کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6937608 868976 2016 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A supervised extreme learning committee for food recognition
ترجمه فارسی عنوان
کمیته یادگیری افراطی برای شناخت مواد غذایی تحت نظارت
کلمات کلیدی
ترجمه چکیده
شناخت مواد غذایی یک موضوع در حال ظهور در دیدگاه رایانه است. مشکل این است که به خصوص در سیستم های بهداشت محور که در آن به عنوان حمایت از برنامه های کاربردی دفتر خاطرات غذایی استفاده می شود. هدف این است که روزنامه های جاری غذایی را بهبود ببخشیم، جایی که کاربران باید به صورت دستی مصرف خوراک مصرف خود را با تایید خودکار از نوع غذا، مقدار و میزان کالری مصرفی برآورد کنند. علاوه بر چالش های شناختی کلاسیک، مشکل شناخت مواد غذایی به علت عدم وجود یک ساختار سفت و سخت از غذا و تغییرات در داخل کلاس، مشخص می شود. برای مقابله با چالش های پیش رو، یک سیستم شناسایی مواد غذایی مبتنی بر طبقه بندی کمیته است. هدف این است که سیستم را قادر سازیم به طور خودکار انتخاب ویژگی های بهینه برای شناخت مواد غذایی از تعداد زیادی از موجود در دسترس (به عنوان مثال، رنگ، بافت، و غیره). به دنبال این ایده، هر یک از اعضای کمیته، یعنی یک ماشین یادگیری شدید، برای تخصص در یک نوع ویژگی آموزش داده می شود. سپس یک ماشین بردار پشتیبانی ساختاری برای تولید رتبه نهایی از مسابقات احتمالی با فیلتر کردن ویژگی های نامناسب و در نتیجه ادغام تنها موارد مرتبط مورد بهره برداری قرار می گیرد. نتایج تجربی نشان می دهد که سیستم پیشنهادی در چهار مجموعه داده های معیار عمومی برتر از کارهای پیشرفته تر عمل می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
کمیته یادگیری افراطی برای شناخت مواد غذایی تحت نظارت
چکیده انگلیسی
Food recognition is an emerging topic in computer vision. The problem is being addressed especially in health-oriented systems where it is used as a support for food diary applications. The goal is to improve current food diaries, where the users have to manually insert their daily food intake, with an automatic recognition of the food type, quantity and consequent calories intake estimation. In addition to the classical recognition challenges, the food recognition problem is characterized by the absence of a rigid structure of the food and by large intra-class variations. To tackle such challenges, a food recognition system based on a committee classification is proposed. The aim is to provide a system capable of automatically choosing the optimal features for food recognition out of the existing plethora of available ones (e.g., color, texture, etc.). Following this idea, each committee member, i.e., an Extreme Learning Machine, is trained to specialize on a single feature type. Then, a Structural Support Vector Machine is exploited to produce the final ranking of possible matches by filtering out the irrelevant features and thus merging only the relevant ones. Experimental results show that the proposed system outperforms state-of-the-art works on four publicly available benchmark datasets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Vision and Image Understanding - Volume 148, July 2016, Pages 67-86
نویسندگان
, , ,