論文の概要: A Real-time Junk Food Recognition System based on Machine Learning

• arxiv url: http://arxiv.org/abs/2203.11836v1
• Date: Tue, 22 Mar 2022 16:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 13:27:13.053273
• Title: A Real-time Junk Food Recognition System based on Machine Learning
• Title（参考訳）: 機械学習に基づくリアルタイムジャンク食品認識システム
• Authors: Sirajum Munira Shifat, Takitazwar Parthib, Sabikunnahar Talukder Pyaasa, Nila Maitra Chaity, Niloy Kumar, Md. Kishor Morol
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: $ $As a result of bad eating habits, humanity may be destroyed. People are constantly on the lookout for tasty foods, with junk foods being the most common source. As a consequence, our eating patterns are shifting, and we're gravitating toward junk food more than ever, which is bad for our health and increases our risk of acquiring health problems. Machine learning principles are applied in every aspect of our lives, and one of them is object recognition via image processing. However, because foods vary in nature, this procedure is crucial, and traditional methods like ANN, SVM, KNN, PLS etc., will result in a low accuracy rate. All of these issues were defeated by the Deep Neural Network. In this work, we created a fresh dataset of 10,000 data points from 20 junk food classifications to try to recognize junk foods. All of the data in the data set was gathered using the Google search engine, which is thought to be one-of-a-kind in every way. The goal was achieved using Convolution Neural Network (CNN) technology, which is well-known for image processing. We achieved a 98.05\% accuracy rate throughout the research, which was satisfactory. In addition, we conducted a test based on a real-life event, and the outcome was extraordinary. Our goal is to advance this research to the next level, so that it may be applied to a future study. Our ultimate goal is to create a system that would encourage people to avoid eating junk food and to be health-conscious. \keywords{ Machine Learning \and junk food \and object detection \and YOLOv3 \and custom food dataset.}
• Abstract（参考訳）: 悪い食生活の結果、人類は破壊されるかもしれない。 人々は常においしい食べ物を探し求めており、ジャンクフードが最も一般的なソースです。 その結果、私たちの食事パターンは変わりつつあり、私たちは今まで以上にジャンクフードに力を入れています。 機械学習の原則は私たちの生活のあらゆる面に適用され、そのうちの1つは画像処理によるオブジェクト認識です。 しかし、食品は自然に異なるため、この手順は不可欠であり、従来のANN、SVM、KNN、PLSなどの手法では、精度が低い。 これらの問題はすべて、ディープニューラルネットワークによって破られた。 本研究では、20のジャンクフード分類から1万点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。 データセット内のすべてのデータは、googleの検索エンジンを使って収集された。 この目標は、画像処理で有名な畳み込みニューラルネットワーク(CNN)技術を用いて達成された。 研究全体で98.05\%の精度を達成し,満足できた。 また,実生活イベントに基づくテストを実施し,その結果は異例であった。 私たちの目標は、この研究を次のレベルに進めることです。 究極の目標は、人々がジャンクフードを食べるのを避け、健康に配慮するよう促すシステムを作ることです。 キーワード{ Machine Learning \and junk food \and object detection \and YOLOv3 \and custom food dataset。 }

関連論文リスト

• MetaFood3D: Large 3D Food Object Dataset with Nutrition Values [53.24500333363066]
  このデータセットは、詳細な栄養情報、体重、および包括的栄養データベースに関連付けられた食品コードを含む、108カテゴリにわたる637の細かな3D食品オブジェクトから成っている。 実験の結果、我々のデータセットがアルゴリズムの性能を向上させる重要な可能性を実証し、ビデオキャプチャと3Dスキャンされたデータの間の困難さを強調し、高品質なデータ生成、シミュレーション、拡張におけるMetaFood3Dデータセットの強みを示した。
  論文  参考訳（メタデータ） (2024-09-03T15:02:52Z)
• 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)
• Sentiment Polarity Analysis of Bangla Food Reviews Using Machine and Deep Learning Algorithms [1.102674168371806]
  人口の大部分は、自宅に食事を届けるためにオンライン食品注文サービスを利用している。 我々の努力は、食べ物が良質なのか、それとも良質なのかを判断できるモデルを確立することであった。 私たちは、Food PandaやHungryNakiなど、著名な食品注文プラットフォームから1484以上のオンラインレビューのデータセットを収集しました。
  論文  参考訳（メタデータ） (2024-05-03T09:49:46Z)
• 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)
• 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)
• 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)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)
• 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)
• A Data Driven End-to-end Approach for In-the-wild Monitoring of Eating Behavior Using Smartwatches [8.257740966456172]
  本稿では, 食事中の食行動の自動化と, 食事の時間的局在のモデル化に向けて, 完全な枠組みを提案する。 食物摂取事象(すなわち噛み跡)を検出するエンドツーエンドニューラルネットワークを提案する。 食事の開始点と終了点を信号処理アルゴリズムを用いて推定するために,検出した噛み跡の1日を通して分布を推定する方法を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:35:56Z)
• Eating Habits Discovery in Egocentric Photo-streams [9.436913961194671]
  食事関連行動パターン探索モデルを構築し,日常的に実施されている活動から栄養のルーチンを明らかにする。 このフレームワーク内では、単純だが堅牢で高速な新しい分類パイプラインを提示する。 本稿では,カメラが単独で食べる際の食品関連シーンの識別への応用について述べる。
  論文  参考訳（メタデータ） (2020-09-16T12:46:35Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)

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。