論文の概要: Image Based Food Energy Estimation With Depth Domain Adaptation
- arxiv url: http://arxiv.org/abs/2208.12153v1
- Date: Thu, 25 Aug 2022 15:18:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:00:19.877234
- Title: Image Based Food Energy Estimation With Depth Domain Adaptation
- Title(参考訳): 深部領域適応を用いた画像ベース食品エネルギー推定
- Authors: Gautham Vinod, Zeman Shao, Fengqing Zhu
- Abstract要約: 本稿では,RGB画像から食品のエネルギー密度への画素間マッピングである「エネルギー密度マップ」を提案する。
次に「エネルギー密度マップ」と関連する深度マップを、深度センサで捉えた食品エネルギーを推定する。
- 参考スコア(独自算出の注目度): 6.602838826255494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assessment of dietary intake has primarily relied on self-report instruments,
which are prone to measurement errors. Dietary assessment methods have
increasingly incorporated technological advances particularly mobile, image
based approaches to address some of these limitations and further automation.
Mobile, image-based methods can reduce user burden and bias by automatically
estimating dietary intake from eating occasion images that are captured by
mobile devices. In this paper, we propose an "Energy Density Map" which is a
pixel-to-pixel mapping from the RGB image to the energy density of the food. We
then incorporate the "Energy Density Map" with an associated depth map that is
captured by a depth sensor to estimate the food energy. The proposed method is
evaluated on the Nutrition5k dataset. Experimental results show improved
results compared to baseline methods with an average error of 13.29 kCal and an
average percentage error of 13.57% between the ground-truth and the estimated
energy of the food.
- Abstract(参考訳): 食事摂取量の評価は、主に測定誤差のやすい自己報告機器に依存している。
食事アセスメント手法は、特にモバイル技術、画像ベースのアプローチによってこれらの制限に対処し、さらに自動化されている。
モバイルで画像ベースの手法は、モバイルデバイスが捉えた機会画像の食事摂取量を自動的に推定することで、ユーザの負担とバイアスを軽減することができる。
本稿では,rgb画像から食品のエネルギー密度への画素対画素マッピングである「エネルギー密度マップ」を提案する。
次に「エネルギー密度マップ」と関連する深度マップを、深度センサで捉えた食品エネルギーを推定する。
提案手法は栄養5kデータセット上で評価される。
実験の結果, 平均誤差が13.29kCal, 平均誤差が13.57%であったのに対し, 食品の平均エネルギーは13.57%であった。
関連論文リスト
- NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳(メタデータ) (2023-11-20T11:05:20Z) - 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 [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) - An Improved Encoder-Decoder Framework for Food Energy Estimation [8.438092346233054]
我々はエネルギー推定に改良されたエンコーダ・デコーダ・フレームワークを用いる。
エンコーダは、画像を、簡単に抽出可能な形式で、食品エネルギー情報に埋め込まれた表現に変換する。
本手法は,MAPE法とMAE法でそれぞれ10%以上,30kCal法を改良した。
論文 参考訳(メタデータ) (2023-09-01T14:09:10Z) - An End-to-end Food Portion Estimation Framework Based on Shape
Reconstruction from Monocular Image [7.380382380564532]
3次元形状再構成による単眼画像からの食品エネルギー推定のためのエンドツーエンドのディープラーニングフレームワークを提案する。
その結果,40.05kCalの平均絶対誤差 (MAE) とMAPEの11.47%の平均絶対誤差 (MAPE) が得られた。
論文 参考訳(メタデータ) (2023-08-03T15:17:24Z) - Transferring Knowledge for Food Image Segmentation using Transformers
and Convolutions [65.50975507723827]
食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。
1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。
2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。
BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
論文 参考訳(メタデータ) (2023-06-15T15:38:10Z) - 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) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳(メタデータ) (2021-06-14T21:57:40Z) - A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。
これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。
ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
論文 参考訳(メタデータ) (2021-05-12T03:00:07Z) - Towards Learning Food Portion From Monocular Images With Cross-Domain
Feature Adaptation [6.648441500207032]
本稿では,RGBと学習エネルギー分布領域の両方から推定される特徴を組み合わせることで,部分サイズ推定のための深回帰過程を提案する。
食品エネルギーの推計値は11.47%で、非専門家の推計を27.56%上回っている。
論文 参考訳(メタデータ) (2021-03-12T22:58:37Z) - An End-to-End Food Image Analysis System [8.622335099019214]
食品の局所化, 分類, 部分サイズ推定を統合した画像に基づく食品分析フレームワークを提案する。
提案するフレームワークはエンドツーエンドであり,複数の食品を含む任意の食品画像として入力することができる。
本研究の枠組みは,栄養摂食調査から収集した実生活食品画像データセットを用いて評価する。
論文 参考訳(メタデータ) (2021-02-01T05:36:20Z)
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。