論文の概要: AI-based BMI Inference from Facial Images: An Application to Weight Monitoring

• arxiv url: http://arxiv.org/abs/2010.07442v1
• Date: Thu, 15 Oct 2020 00:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:03:15.358752
• Title: AI-based BMI Inference from Facial Images: An Application to Weight Monitoring
• Title（参考訳）: 顔画像からのAIベースのBMI推論:体重モニタリングへの応用
• Authors: Hera Siddiqui, Ajita Rattani, Dakshina Ranjan Kisku, Tanner Dean
• Abstract要約: 顔画像からのBMI推論のための5種類のCNNアーキテクチャの性能評価と比較を行った。 実験結果から,ResNet50を用いて得られた平均絶対誤差(MAE)が1.04ドルである顔画像からのBMI推論における深層学習の有効性が示唆された。
• 参考スコア（独自算出の注目度）: 3.4601380631551146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-diagnostic image-based methods for healthy weight monitoring is gaining increased interest following the alarming trend of obesity. Only a handful of academic studies exist that investigate AI-based methods for Body Mass Index (BMI) inference from facial images as a solution to healthy weight monitoring and management. To promote further research and development in this area, we evaluate and compare the performance of five different deep-learning based Convolutional Neural Network (CNN) architectures i.e., VGG19, ResNet50, DenseNet, MobileNet, and lightCNN for BMI inference from facial images. Experimental results on the three publicly available BMI annotated facial image datasets assembled from social media, namely, VisualBMI, VIP-Attributes, and Bollywood datasets, suggest the efficacy of the deep learning methods in BMI inference from face images with minimum Mean Absolute Error (MAE) of $1.04$ obtained using ResNet50.
• Abstract（参考訳）: 健康な体重モニタリングのための自己診断型画像ベース手法は,肥満の危機的傾向にともなう関心が高まっている。 健康的な体重監視と管理の解決策として、顔画像からAIベースのBMI(Body Mass Index)推論方法を研究する学術研究は、ごくわずかである。 この領域におけるさらなる研究と開発を促進するため、顔画像からのBMI推論のために、VGG19、ResNet50、DenseNet、MobileNet、LightCNNの5つの異なるディープラーニングベースの畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価し比較する。 VisualBMI、VIP-Attributes、Bllywoodの3つのソーシャルメディアから集められた3つの顔画像データセット、すなわちVisualBMI、VIP-Attributes、Bllywoodのデータセットに対する実験結果は、ResNet50を用いて得られた1.04ドルの平均絶対誤差(MAE)を持つ顔画像からのBMI推論におけるディープラーニング手法の有効性を示唆している。

関連論文リスト

• Evaluating Pre-trained Convolutional Neural Networks and Foundation Models as Feature Extractors for Content-based Medical Image Retrieval [0.37478492878307323]
  コンテンツベースの医用画像検索(CBMIR)は、色、テクスチャ、形状、空間的特徴などの画像の特徴に依存している。 8種類の医用画像を含むMedMNIST V2データセットのサブセットにおけるCBMIR性能について検討した。 以上の結果から,2次元データセットでは,基礎モデルの方がCNNよりも優れた性能が得られることがわかった。 以上の結果から,より大きな画像サイズ(特に2次元データセット)を使用すると性能がわずかに向上する一方,競合性のあるCBMIR性能は小さい場合でも達成可能であることが確認された。
  論文  参考訳（メタデータ） (2024-09-14T13:07:30Z)
• BMI Prediction from Handwritten English Characters Using a Convolutional Neural Network [0.0]
  これまでの研究では、筆跡解析のためのディープラーニング技術とBMI予測との間に明確な関連性は確立されなかった。 本稿では、畳み込みニューラルネットワーク(CNN)を開発し、手書き文字からBMIを推定するディープラーニングアプローチを用いて、この研究ギャップに対処する。 BMI予測タスクのために、小文字の英語スクリプトの48人のサンプルを含むデータセットを正常にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-04T10:06:42Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction [3.9440964696313485]
  健康度モニタリングのための自己診断型顔画像に基づくBMI予測手法を提案する。 これらの手法は、主に畳み込みニューラルネットワーク(CNN)ベースの回帰ベースライン(VGG19、ResNet50、Efficient-NetB0)を使用している。 本稿では,BMI予測のための軽量な顔パッチベースのアンサンブル(PatchBMI-Net)を開発し,スマートフォンによる展開と重量モニタリングを容易にすることを目的とする。
  論文  参考訳（メタデータ） (2023-11-29T21:39:24Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Portuguese Man-of-War Image Classification with Convolutional Neural Networks [58.720142291102135]
  ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。 本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
  論文  参考訳（メタデータ） (2022-07-04T03:06:45Z)
• Body Composition Estimation Based on Multimodal Multi-task Deep Neural Network [0.0]
  体組成は主に筋肉、脂肪、骨、水から構成される。 マルチモーダル多タスクディープニューラルネットワークを導入し,体脂肪率と骨格筋質量を推定した。
  論文  参考訳（メタデータ） (2022-05-23T04:31:06Z)
• Estimation of BMI from Facial Images using Semantic Segmentation based Region-Aware Pooling [3.889462292853575]
  Body-Mass-Index (BMI)は、健康や社会経済的状況などの生活に関する重要な情報を伝達する。 近年の研究では、手作業による幾何学的顔の特徴やBMI予測のための顔レベルの深い畳み込みニューラルネットワークの特徴が採用されている。 異なる顔領域からプールされた深い特徴を利用することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T10:53:21Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。