Few-Shot Ordinal Learning for Day-Wise Freshness Estimation with Hyperspectral Fish Images
Di cosa parla
Usano immagini iperspettrali — fotografie che registrano come il materiale assorbe la luce a molte lunghezze d'onda — per stimare, giorno per giorno e senza danneggiare il prodotto, la freschezza dei filetti di pesce. Per superare la scarsità di etichette e la forte variabilità fra singoli filetti, propongono un approccio che apprende da poche etichette per fillet e che obbliga la stima a seguire un ordine temporale plausibile, coerente con i cambiamenti biologici.
Cosa permette di osservare
Consente di esplorare se è praticabile valutare la freschezza quotidiana con pochissime etichette per prodotto, come incorporare il fatto che la qualità peggiora in modo ordinato nel tempo e quanto ciò può ridurre il costo di annotazione nei controlli alimentari.
Dalla fonte
Non-destructive food quality assessment has increasingly benefited from hyperspectral imaging (HSI), which captures spectral signatures linked to biochemical changes during storage. Estimating day-wise freshness, however, remains challenging owing to strong inter-fillet variability and scarce labelled data per product. All existing deep learning approaches for HSI-based freshness prediction operate under full supervision, requiring densely annotated training sets that are costly to obtain at the individual-product level. We introduce, to the best of our knowledge, the first few-shot learning framework for HSI-based food quality estimation. Each fillet defines a distinct episodic task, and a CORAL-style ordinal prediction head captures the ranked nature of freshness progression through cumulative threshold modelling. Biologically grounded monotonicity and embedding smoothness constraints…