A Dish Recognition Framework Using Transfer Learning

Tai, Truong Thanh; Thanh, Dang N. H.; Hùng, Nguyễn Quốc

doi:10.1109/access.2022.3143119

Cited by 12 publications

(6 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…A dozen of works have concerned the deployment of food recognition systems on smartphone or on cloud for realworld dish image analysis [32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49]. As to multistage approaches, Kawano and Yanai implemented a food recognition system on smartphone with the purpose of recording calories, nutrition, and eating habits [32].…”

Section: Related Workmentioning

confidence: 99%

“…ey consider foods in restaurants and foods in wild, and fine-tuning GoogLeNet is found superior over k-nearest neighbor and ensemble SVM on the Food-500 dataset [41]. On foods from 6 restaurant chains dataset, its top-3 accuracy reaches 92.1%, while on foods across wild datasets, its accuracy should be further improved [43]. Aguilar proposed a deep network as a semantic food detector for smart restaurants [46].…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Accurate Real-Life Chinese Dish Recognition

Lan

Wan

Pang

et al. 2022

International Transactions on Electrical Energy Systems

View full text Add to dashboard Cite

Deep learning is a new research direction in the field of machine learning, which was introduced into machine learning to bring it closer to its original goal. Accurate dish recognition becomes increasingly important in the multimedia community since it can help cuisine recommendation, calorie management, service improvement, and other food computing tasks. Many novel approaches have been developed on web recipes and menu pictures, while few are concerned real-life dish image analysis. In this study, a deep learning-based prototype system is deployed in a Chinese canteen, and 28 dish types, 16,904 images, and 45,061 instances have been collected. Specifically, in the prototype system, three practical issues are explored, including the backbone network selection, the training strategy determination, and the minimum number of samples for model upgrading. Experimental results suggest that fine-tuned Faster-RCNN can serve as the backbone network of the prototype system since it outperforms the other four fine-tuned networks on dish recognition (accuracy, 98.10%; recall, 97.20%; MAP (mean average precession), 98.30%) and satisfies real-time requirement (0.15 second per image). Meanwhile, the transferred backbone network achieves superior results (MAP, 96.48%) over the same architecture trained from image scratches (MAP, 87.84%). On model upgrading, a good (MAP, 91.34%) to better (MAP, 96.48%) outcome is obtained when the training size is increased from 50 to 200 samples per dish type, and 150 and more instances should be annotated if a new dish type is added to the system's recognition list. Conclusively, the real-life deployment and evaluation of the prototype system indicate that deep learning is full of potential to enhance customer experience through accurate daily dish recognition.

show abstract

Section: Related Workmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

Accurate Real-Life Chinese Dish Recognition

Lan

Wan

Pang

et al. 2022

International Transactions on Electrical Energy Systems

View full text Add to dashboard Cite

show abstract

“…Hơn nữa, việc giới thiệu và thu thập dữ liệu về văn hóa ẩm thực là bàn đạp để hội nhập thế giới thông qua văn hóa ẩm thực, đồng thời thúc đẩy phát triển kinh tế và du lịch. Tận dụng trí tuệ nhân tạo (AI), nhiều nghiên cứu được triển khai với học máy để phân lớp, nhận biết và đánh giá thực phẩm (Do et al, 2019;Schroeder et al, 2019;Shen et al, 2020;Tai et al, 2022). Cụ thể, Schroeder et al (2019) đã thiết kế một hệ thống dựa trên các cảm biến hóa học trên ống nano carbon kết hợp với k-hàng xóm gần nhất và thuật toán rừng ngẫu nhiên để phân lớp một số loại thực phẩm dựa trên mùi của chúng.…”

Section: Giới Thiệuunclassified

“…Shen et al (2020) đã phát triển một hệ thống ước tính thuộc tính thực phẩm bằng cách sử dụng mô hình mạng thần kinh tích chập để giúp duy trì chế độ ăn uống cân bằng. Tai et al (2022) đã giới thiệu một ứng dụng di động dựa trên kỹ thuật học chuyển giao để phân lớp thực phẩm Việt Nam.…”

Section: Giới Thiệuunclassified

“…Mặt khác, ẩm thực Việt Nam vẫn còn rất nhiều điều để khám phá vì nó luôn đa dạng và nhiều màu sắc trên khắp các vùng miền của đất nước (Ung et al, 2020;Tran et al, 2021;Tai et al, 2022) (Jin et al, 1986;Xue et al, 2020). Cụ thể, Jin et al (1986) đã phát triển một biểu đồ nhầm lẫn để xác định sự nhầm lẫn của hình ảnh có độ tương tự trực quan cao và cải thiện độ chính xác của việc phân lớp hình ảnh.…”

Section: Giới Thiệuunclassified

See 1 more Smart Citation

Xác định món ăn đặc sản Việt Nam với sự kết hợp của mạng học sâu và bản thể học

Mã,

Châu,

Thạch

et al. 2023

CTU J. Sci.

View full text Add to dashboard Cite

Việc bảo tồn và phổ biến các giá trị của truyền thống văn hóa ẩm thực luôn là một thách thức không ngừng và cần được giữ gìn của mỗi quốc gia. Nhìn chung, có rất ít nghiên cứu và ứng dụng trí tuệ nhân tạo AI (Artificial intelligence) tập trung vào lĩnh vực này, hầu hết những nghiên cứu chỉ tập trung vào phân lớp hình ảnh và thiếu thông tin toàn diện của từng món ăn. Nhận thấy được tầm quan trọng của kiến thức cốt lõi và thông tin chi tiết của từng món ăn, đề xuất về khung AI cho các món ăn Việt Nam được giới thiệu trong bài báo này. Cụ thể, một bản thể luận (ontology) món ăn đặc sản Việt Nam để lưu trữ thông tin liên quan và mô hình phân lớp hình ảnh các món ăn đặc sản được trình bày. Đóng góp chính là phân lớp ảnh chụp món ăn với trên 96% và cung cấp các công thức nấu ăn tương ứng từ ontology.

show abstract

Machine learning applied to tourism: A systematic review

Núñez,

Gómez‐Pulido,

Ramírez

2024

WIREs Data Min & Knowl

View full text Add to dashboard Cite

The application of machine learning techniques in the field of tourism is experiencing a remarkable growth, as they allow to propose efficient solutions to problems present in this sector, by means of an intelligent analysis of data in their specific context. The increase of work in this field requires an exhaustive analysis through a quantitative approach of research activity, contributing to a deeper understanding of the progress of this field. Thus, different approaches in the field of tourism will be analyzed, such as planning, forecasting, recommendation, prevention, and security, among others. As a result of this analysis, among other findings, the greater impact of supervised learning in the field of tourism, and more specifically those techniques based on neural networks, has been confirmed. The results of this study would allow researchers not only to have the most up‐to‐date and accurate overview of the application of machine learning in tourism, but also to identify the most appropriate techniques to apply to their domain of interest, as well as other similar approaches with which to compare their own solutions.This article is categorized under: Application Areas > Society and Culture Technologies > Machine Learning Application Areas > Business and Industry

show abstract

A Dish Recognition Framework Using Transfer Learning

Abstract: Date of publication xxxx 00, 0000, date of current version xxxx 00, 0000.

Cited by 12 publications

References 14 publications

Accurate Real-Life Chinese Dish Recognition

Accurate Real-Life Chinese Dish Recognition

Xác định món ăn đặc sản Việt Nam với sự kết hợp của mạng học sâu và bản thể học

Machine learning applied to tourism: A systematic review

Contact Info

Product

Resources

About