論文の概要: A Mobile Food Recognition System for Dietary Assessment

• arxiv url: http://arxiv.org/abs/2204.09432v1
• Date: Wed, 20 Apr 2022 12:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:45:27.546651
• Title: A Mobile Food Recognition System for Dietary Assessment
• Title（参考訳）: 食生活評価のための移動食品認識システム
• Authors: \c{S}eymanur Akt{\i}, Marwa Qaraqe, Haz{\i}m Kemal Ekenel
• Abstract要約: 我々は,生活支援のための食品認識アプリケーションの開発に焦点をあてる。 このタスクにMobilenet-v2アーキテクチャを使うことは、正確性とメモリ使用量の両方において有益である。 開発されたモバイルアプリケーションは、画像を介して自動食品認識において視覚障害者に役立てる可能性がある。
• 参考スコア（独自算出の注目度）: 6.982738885923204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Food recognition is an important task for a variety of applications, including managing health conditions and assisting visually impaired people. Several food recognition studies have focused on generic types of food or specific cuisines, however, food recognition with respect to Middle Eastern cuisines has remained unexplored. Therefore, in this paper we focus on developing a mobile friendly, Middle Eastern cuisine focused food recognition application for assisted living purposes. In order to enable a low-latency, high-accuracy food classification system, we opted to utilize the Mobilenet-v2 deep learning model. As some of the foods are more popular than the others, the number of samples per class in the used Middle Eastern food dataset is relatively imbalanced. To compensate for this problem, data augmentation methods are applied on the underrepresented classes. Experimental results show that using Mobilenet-v2 architecture for this task is beneficial in terms of both accuracy and the memory usage. With the model achieving 94% accuracy on 23 food classes, the developed mobile application has potential to serve the visually impaired in automatic food recognition via images.
• Abstract（参考訳）: 食品認識は、健康状態の管理や視覚障害者の支援など、さまざまなアプリケーションにとって重要なタスクである。 いくつかの食品認識研究は、一般の食品や特定の料理に焦点を合わせてきたが、中東料理に関する食品認識は未調査のままである。 そこで本稿では,モバイルフレンドリーな中東料理の開発に焦点をあて,生活支援のための食品認識アプリケーションを開発した。 低レイテンシで高精度な食品分類システムを実現するため,Mobilenet-v2深層学習モデルを用いた。 食品のいくつかは他の食品よりも人気があるため、使用済み中東食品データセットのクラス毎のサンプル数は比較的不均衡である。 この問題を補うために、未表現のクラスにデータ拡張手法を適用する。 実験の結果,mobilenet-v2アーキテクチャは,メモリ使用量と精度の両方において有益であることがわかった。 このモデルでは,23種類の食品で94%の精度を達成し,視覚障害者に画像による食品の自動認識を提供する可能性がある。

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)
• From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
  DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。 これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
  論文  参考訳（メタデータ） (2024-03-12T08:32:23Z)
• 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)
• Long-Tailed Continual Learning For Visual Food Recognition [5.377869029561348]
  実生活における食品イメージの分布は通常、少数の人気食品が他のものよりも頻繁に消費されるため、長い目で見るのが一般的である。 本稿では,長期連続学習のための新しいエンドツーエンドフレームワークを提案し,破滅的な忘れを効果的に解決する。 また,クラスアクティベーションマップ(CAM)とCutMixを統合した新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-07-01T00:55:05Z)
• Rethinking Cooking State Recognition with Vision Transformers [0.0]
  料理状態認識タスクにおいて視覚変換器(ViT)アーキテクチャの自己保持機構を提案する。 提案したアプローチは、画像から得られたグローバルな健全な特徴をカプセル化するとともに、より大きなデータセットから得られた重みを利用する。 私たちのフレームワークの精度は94.3%で、最先端のフレームワークよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-12-16T17:06:28Z)
• 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)
• Large Scale Visual Food Recognition [43.43598316339732]
  これは2000のカテゴリと100万以上のイメージを持つ、最大規模の食品認識データセットです。 food2kはそれらをカテゴリとイメージの両方で1桁ずつバイパスする。 食品認識のためのディーププログレッシブ領域強化ネットワークを提案します。
  論文  参考訳（メタデータ） (2021-03-30T06:41:42Z)
• 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)
• Multi-Task Image-Based Dietary Assessment for Food Recognition and Portion Size Estimation [6.603050343996914]
  本稿では,食品分類と食品部分サイズ推定の両立が可能なエンドツーエンドマルチタスクフレームワークを提案する。 本結果は,分類精度と部分推定の平均絶対誤差の両方において,ベースライン法より優れる。
  論文  参考訳（メタデータ） (2020-04-27T21:35:07Z)

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。