論文の概要: Vision-Based Food Analysis for Automatic Dietary Assessment

• arxiv url: http://arxiv.org/abs/2108.02947v1
• Date: Fri, 6 Aug 2021 05:46:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:32:58.919138
• Title: Vision-Based Food Analysis for Automatic Dietary Assessment
• Title（参考訳）: 自動食事評価のための視覚に基づく食品分析
• Authors: Wei Wang, Weiqing Min, Tianhao Li, Xiaoxiao Dong, Haisheng Li and Shuqiang Jiang
• Abstract要約: 本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
• 参考スコア（独自算出の注目度）: 49.32348549508578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Maintaining a healthy diet is vital to avoid health-related issues, e.g., undernutrition, obesity and many non-communicable diseases. An indispensable part of the health diet is dietary assessment. Traditional manual recording methods are burdensome and contain substantial biases and errors. Recent advances in Artificial Intelligence, especially computer vision technologies, have made it possible to develop automatic dietary assessment solutions, which are more convenient, less time-consuming and even more accurate to monitor daily food intake. Scope and approach: This review presents one unified Vision-Based Dietary Assessment (VBDA) framework, which generally consists of three stages: food image analysis, volume estimation and nutrient derivation. Vision-based food analysis methods, including food recognition, detection and segmentation, are systematically summarized, and methods of volume estimation and nutrient derivation are also given. The prosperity of deep learning makes VBDA gradually move to an end-to-end implementation, which applies food images to a single network to directly estimate the nutrition. The recently proposed end-to-end methods are also discussed. We further analyze existing dietary assessment datasets, indicating that one large-scale benchmark is urgently needed, and finally highlight key challenges and future trends for VBDA. Key findings and conclusions: After thorough exploration, we find that multi-task end-to-end deep learning approaches are one important trend of VBDA. Despite considerable research progress, many challenges remain for VBDA due to the meal complexity. We also provide the latest ideas for future development of VBDA, e.g., fine-grained food analysis and accurate volume estimation. This survey aims to encourage researchers to propose more practical solutions for VBDA.
• Abstract（参考訳）: 背景:健康な食事を維持することは、栄養不足、肥満、多くの非感染性疾患などの健康問題を避けるために不可欠である。 健康食の欠かせない部分は食事アセスメントである。 従来の手動記録手法は重荷であり、かなりのバイアスと誤りを含んでいる。 近年の人工知能、特にコンピュータビジョン技術の進歩により、食事の自動評価ソリューションの開発が可能になった。 スコープとアプローチ:本稿では,食品画像解析,容積推定,栄養素導出の3段階からなる,統一視覚に基づく食事アセスメント(vbda)フレームワークについて紹介する。 食品の認識,検出,セグメンテーションなど,視覚に基づく食品分析手法を体系的に要約し,容積推定法や栄養素の導出法も与えている。 深層学習の繁栄により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。 最近提案されたエンドツーエンドの手法についても論じている。 既存の食事アセスメントデータセットをさらに分析し,1つの大規模ベンチマークが緊急に必要であることを示すとともに,最終的にvbdaの重要な課題と今後のトレンドを浮き彫りにする。 重要な発見と結論: 徹底的な調査の結果、マルチタスクのエンドツーエンドのディープラーニングアプローチがVBDAの重要なトレンドであることがわかった。 研究の進展にもかかわらず、食事の複雑さのためにvbdaには多くの課題が残っている。 また,食品分析や正確な体積推定など,vbdaの今後の展開に向けた最新のアイデアを提供する。 この調査は、研究者にvbdaのより実用的なソリューションの提案を促すことを目的としている。

関連論文リスト

• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• 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)
• DPF-Nutrition: Food Nutrition Estimation via Depth Prediction and Fusion [0.8579795118452238]
  DPF-Nutritionは単分子画像を用いたエンドツーエンドの栄養推定法である。 DPF-Nutritionでは,深度マップを生成するための深度予測モジュールを導入し,食品部分推定の精度を向上した。 また,単分子画像と予測深度情報を組み合わせたRGB-D融合モジュールを設計した。
  論文  参考訳（メタデータ） (2023-10-18T04:23:05Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
  栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。 米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。 提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
  論文  参考訳（メタデータ） (2022-06-05T02:41:44Z)
• 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)
• A Review of the Vision-based Approaches for Dietary Assessment [4.347952928399708]
  肥満などの食生活にまつわる問題は現代社会ではますます懸念されている。 コンピュータによる食品認識は、食事摂取量を評価するための視覚に基づく自動手法を提供する。
  論文  参考訳（メタデータ） (2021-06-21T06:30:06Z)
• An Intelligent Passive Food Intake Assessment System with Egocentric Cameras [14.067860492694251]
  栄養失調は低所得国(LMIC)の主要な公衆衛生問題である 我々は,エゴセントリックカメラを用いた知的受動的摂食評価システムの実装を提案する。 摂取量を確実に監視し、ユーザの食行動にフィードバックを与えることができます。
  論文  参考訳（メタデータ） (2021-05-07T09:47:51Z)
• An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients [4.048427587958764]
  入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。 本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-03-18T15:28:51Z)

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。