Fugu-MT 論文翻訳(概要): Deep Learning for Classifying Food Waste

論文の概要: Deep Learning for Classifying Food Waste

arxiv url: http://arxiv.org/abs/2002.03786v1
Date: Thu, 6 Feb 2020 12:40:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 12:37:48.838843
Title: Deep Learning for Classifying Food Waste
Title（参考訳）: 食品廃棄物の分類のための深層学習
Authors: Amin Mazloumian (1), Matthias Rosenthal (1), Hans Gelke (1) ((1) Institute of Embedded Systems, Zurich University of Applied Sciences)
Abstract要約: 世界で生産される食品の約3分の1(約13億トン)が毎年失われたり、無駄にされたりしている。本研究では, 深層学習を用いて, 食品ごみ箱の上に設置したカメラで捉えた50万枚の画像に, 食品廃棄物を分類する。食品廃棄物をごみ箱に投入するたびに、食品廃棄物を分類するディープニューラルネットワークを設計した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One third of food produced in the world for human consumption -- approximately 1.3 billion tons -- is lost or wasted every year. By classifying food waste of individual consumers and raising awareness of the measures, avoidable food waste can be significantly reduced. In this research, we use deep learning to classify food waste in half a million images captured by cameras installed on top of food waste bins. We specifically designed a deep neural network that classifies food waste for every time food waste is thrown in the waste bins. Our method presents how deep learning networks can be tailored to best learn from available training data.
Abstract（参考訳）: 世界で生産される食品の3分の1(約13億トン)は毎年失われ、あるいは廃棄されている。個人消費者の食品廃棄物を分類し、対策の意識を高めることにより、回避可能な食品廃棄物を著しく削減することができる。本研究では, 深層学習を用いて, 食品ごみ箱の上に設置したカメラで捉えた50万枚の画像に食品廃棄物を分類する。具体的には,食品廃棄物がごみ箱に投げ込まれるたびに,食品廃棄物を分類するディープニューラルネットワークを設計した。本手法は,学習データから学習する深層学習ネットワークを最適に調整する方法を示す。

関連論文リスト

How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文参考訳（メタデータ） (2024-05-12T00:16:02Z)
Kitchen Food Waste Image Segmentation and Classification for Compost Nutrients Estimation [5.839432277004074]
LILAホームコンポストは、キッチンスクラップや毎日の食品廃棄物を栄養豊富なコンポストにリサイクルする便利な手段を提供する。食品廃棄物の高分解能画像データセットを作成・注釈し, 栄養価の高い19種類のセグメンテーションマスクを作成した。食品廃棄物のセグメンテーションに関する4つの現状セグメンテーションモデルをベンチマークし, 窒素, リン, カリウムのコンポスト品質の評価に寄与した。
論文参考訳（メタデータ） (2024-01-26T19:41:48Z)
NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文参考訳（メタデータ） (2023-11-20T11:05:20Z)
NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake Estimation [65.47310907481042]
高齢者の4人に1人は栄養不良です。機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。 NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
論文参考訳（メタデータ） (2023-04-12T05:27:30Z)
A Real-time Junk Food Recognition System based on Machine Learning [0.0]
20のジャンクフード分類から1万のデータポイントのデータセットを作成し、ジャンクフードの認識を試みた。研究全体で98.05%の精度を達成したが、満足できた。私たちの究極のゴールは、ジャンクフードを食べないようにし、健康に配慮するシステムを作ることです。
論文参考訳（メタデータ） (2022-03-22T16:03:24Z)
A Method for Waste Segregation using Convolutional Neural Networks [0.0]
本稿では, 廃棄物分類の問題を解決するために, ディープラーニングアルゴリズムを用いた手法を提案する。提案手法の精度は94.9%である。
論文参考訳（メタデータ） (2022-02-23T14:32:10Z)
Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
論文参考訳（メタデータ） (2021-12-08T22:25:52Z)
Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文参考訳（メタデータ） (2021-07-13T06:26:53Z)
ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
論文参考訳（メタデータ） (2021-06-04T22:17:09Z)
Towards Learning Food Portion From Monocular Images With Cross-Domain Feature Adaptation [6.648441500207032]
本稿では,RGBと学習エネルギー分布領域の両方から推定される特徴を組み合わせることで,部分サイズ推定のための深回帰過程を提案する。食品エネルギーの推計値は11.47%で、非専門家の推計を27.56%上回っている。
論文参考訳（メタデータ） (2021-03-12T22:58:37Z)
DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet [0.0]
誤った廃棄物処理を減らそうとする試みは、高価で不正確で混乱している。我々は,高度に最適化されたディープラーニング技術を利用して,廃棄物をゴミ,リサイクル,コンポストに即時分類するモバイルアプリDeepWasteを提案する。我々の最良のモデルは、50層からなるディープラーニング残留ニューラルネットワークであり、テストセットの平均精度は0.881である。
論文参考訳（メタデータ） (2021-01-15T04:06:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。