Automatic Recognition of Food Ingestion Environment from the AIM-2 Wearable Sensor

要約

摂取環境の検出は、食事摂取量をモニタリングする際の重要な側面です。
食事の評価のための洞察力に富んだ情報を提供します。
しかし、これは難しい問題であり、人によるレビューは退屈な場合があり、アルゴリズムベースのレビューではデータの不均衡や知覚上のエイリアシングの問題が発生します。
これらの問題に対処するために、微調整技術と転移学習技術を巧みに組み合わせた 2 段階のトレーニング フレームワークを備えたニューラル ネットワーク ベースの方法を提案します。
私たちの方法は、自己中心的なウェアラブルカメラであるAIM-2センサーを使用して、自由生活条件での食物消費をシミュレートする「UA Free Living Study」と呼ばれる新しく収集されたデータセットで評価されます。
提案されたトレーニング フレームワークは、一般的な不均衡分類分野のアプローチと組み合わせて、一般的なニューラル ネットワーク バックボーンに適用されます。
収集されたデータセットに関する実験結果は、私たちが提案した自動取り込み環境認識方法が、データセット内の困難なデータの不均衡問題にうまく対処し、96.63% という有望な全体的な分類精度を達成していることを示しています。

要約(オリジナル)

Detecting an ingestion environment is an important aspect of monitoring dietary intake. It provides insightful information for dietary assessment. However, it is a challenging problem where human-based reviewing can be tedious, and algorithm-based review suffers from data imbalance and perceptual aliasing problems. To address these issues, we propose a neural network-based method with a two-stage training framework that tactfully combines fine-tuning and transfer learning techniques. Our method is evaluated on a newly collected dataset called “UA Free Living Study’, which uses an egocentric wearable camera, AIM-2 sensor, to simulate food consumption in free-living conditions. The proposed training framework is applied to common neural network backbones, combined with approaches in the general imbalanced classification field. Experimental results on the collected dataset show that our proposed method for automatic ingestion environment recognition successfully addresses the challenging data imbalance problem in the dataset and achieves a promising overall classification accuracy of 96.63%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google