African foods for deep learning-based food recognition systems dataset
Notice bibliographique
Résumé
African foods have socio-cultural significance that extends through migration, tourism, and marriage. Africans travel and integrate within the continent through intermarriages. There are over a thousand cultural aspects that differ such as language, food, dressing, beliefs and customs. Food is one of the cultural aspects that Africans embrace quickly as they migrate and integrate socio-culturally. We considered the limited representation of African food research in the HCI community and propose to contribute the rich significant food datasets from two African countries: Cameroon and Ghana. List of Cameroonian foods collected are: Ekwang, Eru and Ndole. In addition, the list of Ghanaian foods we collected are: Jollof Rice, Palm-nut Soup and Waakye. Given the cultural diversity and our study's goal for cultural inclusion, we interacted with at least two locals from the selected countries, and they confirmed that these foods were universally recognized within their respective countries. The datasets were collected from YouTube, Facebook, the field (restaurants), Creative Common Attribution Google Images, and other Creative Commons Attribution sources. A total of 204 images of Ekwang, 206 images of Eru and 205 images of Ndole were collected. In addition, we collected a total of 347 images of Jollof Rice, 392 images of Palm-nut Soup and 400 images of Waakye. We present a meta-data description of the data, quality assessments of our dataset and opportunities for the HCI community to explore in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,012 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».