Recognizing Foods using Deep Neural Networks under Domain Shift

Autor/a

Heravi, Elnaz Jahani

Director/a

Puig, Domènec

Fecha de defensa

2019-01-07

Páginas

234 p.



Departamento/Instituto

Universitat Rovira i Virgili. Departament d'Enginyeria Informàtica i Matemàtiques

Resumen

Automatic tracking of daily food intake is an efficient method to tackle obesity and micronutrient deficiency. This could be done by developing a method that is able to classify foods using their images. Foods are highly deformable objects with great inter-class similarity and intra-class variation. For these reasons, we need a feature transformation function with ability to learn complex mappings. Deep neural networks possess this property, and they are able to generalize well if they are trained on big and diverse datasets. In absence of a large target dataset, we can train the network on a big and related dataset and adapt the knowledge acquired from this dataset to the target dataset. In this thesis, we formulate the problem of transfer learning and break it down to knowledge adaptation and domain adaptation. Alongside, we explain how to compute uncertainty of prediction in neural network. After studying these two problems, we explain how active learning could help us to improve neural network models with minimum amount of annotation. In the last part of the thesis, we designed a new network and show how to distill knowledge of a bigger network to a smaller network.

Palabras clave

Xarxes neuronals; Reconeixement d'aliments; Canvi de domini; Redes neuronales; Reconocimiento de alimentos; Cambio de dominio; Neural Networks; Food Recognition; Domain Shift

Materias

004 - Informática; 62 - Ingeniería. Tecnología

Área de conocimiento

Enginyeria i Arquitectura

Documentos

TESI.pdf

132.2Mb

 

Derechos

ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.

Este ítem aparece en la(s) siguiente(s) colección(ones)