Visione del Cibo · La foto in due secondi
Approcci di deep learning per il riconoscimento dei cibi – Kiourt 2020 | ARETHE Kosmos
Insegnare a un computer a guardare un piatto e nominare ciò che vede è sorprendentemente difficile. Un'insalata di pomodori, olive e feta potrebbe essere greca, caprese o israeliana: persino un essere umano potrebbe esitare.
Questo capitolo è una guida pratica attraverso tre strategie per risolvere quel problema: costruire una rete neurale da zero (potente ma costosa), adattare una rete già addestrata su milioni di immagini riqualificando solo gli ultimi strati (la scorciatoia intelligente usata dalla maggior parte dei ricercatori), oppure collegare direttamente un servizio cloud di Google, Amazon, Microsoft o Clarifai (rapido, ma non si vede dentro il motore). Gli autori hanno provato tutti e tre gli approcci sullo stesso archivio standard di 101 categorie alimentari e 101.000 immagini.
La sorpresa è che la loro rete leggera personalizzata, PureFoodNet, tiene il passo con i giganti addestrando in una frazione del tempo. Tra i servizi cloud, Clarifai — l'unico con un modello specializzato per il cibo — ha persino individuato il ramoscello di prezzemolo posato fuori dalla ciotola dell'insalata, che ogni altro servizio aveva ignorato.
Cosa dice, in breve
- Il riconoscimento automatico dei cibi nelle immagini è un problema di classificazione visiva particolarmente difficile: i piatti mancano di strutture spaziali stabili e gli ingredienti variano per forma, dimensione e colore in base alle tradizioni regionali.
- Il capitolo organizza le soluzioni CNN in tre paradigmi: (1) progettazione da zero (massima flessibilità, costo elevato); (2) transfer learning con fine-tuning (miglior compromesso accuratezza-sforzo, raccomandato nella maggior parte dei casi); (3) deployment tramite API cloud (più rapido, ma black-box).
- PureFoodNet — la CNN custom a tre blocchi convoluzionali degli autori — raggiunge un'accuratezza top-5 competitiva su Food-101 con circa il 92% di tempo di addestramento in meno rispetto a NASNetLarge, l'architettura pre-addestrata più accurata testata.
- Tra le sette architetture pre-addestrate confrontate su Food-101, NASNetLarge ottiene l'accuratezza più alta ma richiede ~83% di tempo in più rispetto alle altre e un modello ~86% più grande rispetto a PureFoodNet; VGG16 registra l'accuratezza di validazione più bassa (~76%).
- Nell'esperimento comparativo tra piattaforme API su due immagini multi-ingrediente (insalata greca; dessert di frutta), Clarifai supera Google Vision AI, Amazon Rekognition e Microsoft Computer Vision grazie al proprio modello specializzato per il cibo, riuscendo persino a individuare il prezzemolo fuori dal piatto.
- Vengono catalogati sette dataset benchmark (UECFood100–Food-101N, 2012–2018), con dimensioni da 14.461 a 310.000 immagini e migliore accuratezza top-1 riportata dall'82,05% al 90,27%.
- Le direzioni future individuate includono: dataset alimentari su larga scala a copertura mondiale, annotazione multi-etichetta a livello di ingrediente, metodi ibridi modello+piattaforma e integrazione di ontologie alimentari per predizioni culturalmente e geograficamente contestualizzate.
Provenienza
- Fonte
- Deep learning approaches in food recognition— Kiourt 2020
- Licenza
- All rights reserved (Springer)
- Nel Kosmos
- 7 voci · 220 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.