Learning to Classify New Foods Incrementally Via Compressed Exemplars

食品图像分类系统在基于图像的膳食评估技术中发挥着至关重要的作用，可以监测健康状况和追踪饮食。然而，现有的食品识别系统依赖于静态数据集，其特征是预定义的固定数量的食品类别。这与食品消费的现实形态形成了鲜明对比，因为食品消费数据是不断变化的。因此，食品图像分类系统应该适应和管理不断变化的数据，这就是持续学习发挥重要作用的地方。持续学习中的一个挑战是灾难性遗忘，即机器学习模型在学习新信息时往往会丢弃旧知识。虽然记忆重放算法通过将旧数据存储为样本已经显示出缓解这个问题的潜力，但是受到内存缓冲区容量的限制，导致新数据和先前学习的数据之间存在不平衡。为了解决这个问题，我们的工作探索了使用神经图像压缩来扩展缓冲区大小并增强数据多样性的方法。我们引入了持续学习神经压缩模型的概念，以自适应地提高压缩数据的质量并优化每像素的比特率（bpp）以存储更多的样本。我们进行了广泛的实验，包括对食品专用数据集Food-101和VFN-74以及通用数据集ImageNet-100的评估，证明了分类准确性的提高。这一进展对于推进更适应不断发展的数据的现实食品识别系统至关重要。此外，我们开发的原则和方法学具有更广泛的应用前景，可以将其优势扩展到其他持续机器学习系统的领域。

论文旨在解决食物图像分类系统中的连续学习问题，即如何在不断变化的数据中保留旧知识，同时学习新知识。

论文提出了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的方法，通过持续学习神经压缩模型来自适应地提高压缩数据的质量并优化每像素的比特率（bpp）以存储更多样本。

论文在多个数据集上进行了广泛的实验，包括食品特定的数据集Food-101和VFN-74以及通用数据集ImageNet-100，证明了分类准确性的提高。研究还探讨了记忆回放算法的局限性，并提出了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的方法。

最近的相关研究包括使用增量学习、元学习和记忆回放等技术来解决连续学习问题。例如，论文《Incremental Few-Shot Learning with Attention Attractor Networks》和《Meta-Experience Replay for Continual Learning》分别探讨了增量学习和元学习在连续学习中的应用。