Model Comparison for Fast Domain Adaptation in Table Service Scenario

要約

レストランでは、顧客への挨拶、注文の受け付け、支払いの処理など、顧客サービスの多くの側面が自動化されています。
さまざまな料理、必要なサービス、各レストランの基準が異なるため、プロセス全体を自動化する際の課題の 1 つは、食事中にテーブルで適切なサービスを検査して提供することです。
この論文では、テーブルでのサービスを自動的にチェックして提供するアプローチを示します。
最初に、オブジェクトのカテゴリ、食品の残量、食事の進行状況など、テーブルのコンテキストを理解するための共通情報を認識するためのベース モデルを構築します。
その後、サービス認識分類子を追加し、少量の地元のレストラン データを使用してモデルを再トレーニングします。
適切なサービス認識分類子を見つけるために、食事中のレストランのテーブルをキャプチャしたデータを収集しました。
さまざまな入力、組み合わせ、時系列、データを選択して、さまざまなテストを実行しました。
これらのテストを通じて、再トレーニング データがまばらで冗長である場合、重要なデータ ポイントとトレーニング可能なパラメーターがほとんどないモデルがより重要であることがわかりました。

要約(オリジナル)

In restaurants, many aspects of customer service, such as greeting customers, taking orders, and processing payments, are automated. Due to the various cuisines, required services, and different standards of each restaurant, one challenging part of making the entire automated process is inspecting and providing appropriate services at the table during a meal. In this paper, we demonstrate an approach for automatically checking and providing services at the table. We initially construct a base model to recognize common information to comprehend the context of the table, such as object category, remaining food quantity, and meal progress status. After that, we add a service recognition classifier and retrain the model using a small amount of local restaurant data. We gathered data capturing the restaurant table during the meal in order to find a suitable service recognition classifier. With different inputs, combinations, time series, and data choices, we carried out a variety of tests. Through these tests, we discovered that the model with few significant data points and trainable parameters is more crucial in the case of sparse and redundant retraining data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google