論文の概要: An Integrated System for Mobile Image-Based Dietary Assessment
- arxiv url: http://arxiv.org/abs/2110.01754v1
- Date: Tue, 5 Oct 2021 00:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 14:04:00.101181
- Title: An Integrated System for Mobile Image-Based Dietary Assessment
- Title(参考訳): モバイル画像に基づく食事評価統合システム
- Authors: Zeman Shao, Yue Han, Jiangpeng He, Runyu Mao, Janine Wright, Deborah
Kerr, Carol Boushey, Fengqing Zhu
- Abstract要約: 本稿では,食事摂取状況の把握と分析を行うモバイル型イメージベース食事アセスメントシステムの設計と開発について述べる。
本システムは,自然条件下での高品質な食品画像の収集が可能であり,新しい計算手法を開発するための基盤となるアノテーションを提供する。
- 参考スコア(独自算出の注目度): 7.352044746821543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate assessment of dietary intake requires improved tools to overcome
limitations of current methods including user burden and measurement error.
Emerging technologies such as image-based approaches using advanced machine
learning techniques coupled with widely available mobile devices present new
opportunities to improve the accuracy of dietary assessment that is
cost-effective, convenient and timely. However, the quality and quantity of
datasets are essential for achieving good performance for automated image
analysis. Building a large image dataset with high quality groundtruth
annotation is a challenging problem, especially for food images as the
associated nutrition information needs to be provided or verified by trained
dietitians with domain knowledge. In this paper, we present the design and
development of a mobile, image-based dietary assessment system to capture and
analyze dietary intake, which has been deployed in both controlled-feeding and
community-dwelling dietary studies. Our system is capable of collecting high
quality food images in naturalistic settings and provides groundtruth
annotations for developing new computational approaches.
- Abstract(参考訳): 食事摂取の正確な評価には、ユーザの負担や測定誤差を含む現在の方法の限界を克服するための改善ツールが必要である。
高度な機械学習技術と広く利用可能なモバイルデバイスを組み合わせた画像ベースアプローチのような新興技術は、コスト効率、利便性、タイムリーな食事評価の精度を向上させる新たな機会を提供する。
しかし,画像の自動解析には,データセットの品質と量が不可欠である。
栄養情報の提供やドメイン知識を持つ訓練された栄養士による検証が必要となるため、特に食品画像において、高品質な地中アノテーションを用いた大規模画像データセットの構築は難しい課題である。
そこで,本稿では,本研究では,移動型イメージベースの食事アセスメントシステムの設計と開発について紹介する。
本システムでは,高品質な食品イメージを自然条件下で収集し,新たな計算手法開発のための基礎的アノテーションを提供する。
関連論文リスト
- NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
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) - Diffusion Model with Clustering-based Conditioning for Food Image
Generation [22.154182296023404]
深層学習に基づく手法は、食品分類、セグメンテーション、部分サイズ推定などの画像解析に一般的に用いられている。
潜在的な解決策の1つは、データ拡張に合成食品画像を使用することである。
本稿では,高品質で代表的な食品画像を生成するための効果的なクラスタリングベースのトレーニングフレームワークであるClusDiffを提案する。
論文 参考訳(メタデータ) (2023-09-01T01:40:39Z) - Food Image Classification and Segmentation with Attention-based Multiple
Instance Learning [51.279800092581844]
本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。
提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。
提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
論文 参考訳(メタデータ) (2023-08-22T13:59:47Z) - 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) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
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。
論文 参考訳(メタデータ) (2021-08-06T05:46:01Z) - 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) - Picture-to-Amount (PITA): Predicting Relative Ingredient Amounts from
Food Images [24.26111169033236]
食品画像から各成分の相対的な量を予測するという,新しい課題と課題について考察する。
本稿では,この問題を解決するために,Picture-to-AmountディープラーニングアーキテクチャであるPITAを提案する。
インターネットから収集されたレシピのデータセットの実験は、モデルが有望な結果を生成することを示す。
論文 参考訳(メタデータ) (2020-10-17T06:43:18Z) - Deep Residual Network based food recognition for enhanced Augmented
Reality application [0.0]
カメラ画像から現状の物体の特徴を検出できるシステムを用いて、拡張現実の応用を強化することができる。
本研究の目的は、より健康的な生活選択を促進するために、食事に関する栄養情報を提供することで、利用者を支援するために低レイテンシ支援ARを作成するのに最適なモデルを決定することである。
論文 参考訳(メタデータ) (2020-05-08T21:08:58Z) - 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) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳(メタデータ) (2020-03-09T07:41:17Z)
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。