論文の概要: Improving Food Detection For Images From a Wearable Egocentric Camera
- arxiv url: http://arxiv.org/abs/2301.07861v1
- Date: Thu, 19 Jan 2023 03:12:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 15:43:47.578584
- Title: Improving Food Detection For Images From a Wearable Egocentric Camera
- Title(参考訳): ウェアラブル・エゴセントリックカメラによる画像の食品検出の改善
- Authors: Yue Han, Sri Kalyan Yarlagadda, Tonmoy Ghosh, Fengqing Zhu, Edward
Sazonov, Edward J. Delp
- Abstract要約: 本稿では,眼鏡に装着可能なAIM(Automatic Ingestion Monitor)を紹介する。
AIMにはいくつかの利点があるが、AIMが撮影した画像は時にぼやけている。
本稿では,AIM画像センサが収集した前処理画像に対して,極めてぼやけた画像を取り除き,食品検出性能を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 20.221357110216776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diet is an important aspect of our health. Good dietary habits can contribute
to the prevention of many diseases and improve the overall quality of life. To
better understand the relationship between diet and health, image-based dietary
assessment systems have been developed to collect dietary information. We
introduce the Automatic Ingestion Monitor (AIM), a device that can be attached
to one's eye glasses. It provides an automated hands-free approach to capture
eating scene images. While AIM has several advantages, images captured by the
AIM are sometimes blurry. Blurry images can significantly degrade the
performance of food image analysis such as food detection. In this paper, we
propose an approach to pre-process images collected by the AIM imaging sensor
by rejecting extremely blurry images to improve the performance of food
detection.
- Abstract(参考訳): 食事は私たちの健康の重要な側面です。
良質な食習慣は多くの病気の予防に寄与し、生活の質を改善する。
食事と健康の関係をよりよく理解するために,画像に基づく食事評価システムを開発した。
本稿では,眼鏡に装着可能なAIM(Automatic Ingestion Monitor)を紹介する。
食事シーンイメージをキャプチャする自動ハンズフリーアプローチを提供する。
AIMにはいくつかの利点があるが、AIMが撮影した画像は時にぼやけている。
ブロイ画像は食品検出などの食品画像解析の性能を著しく低下させることができる。
本稿では,AIM画像センサが収集した前処理画像に対して,極めてぼやけた画像を取り除き,食品検出性能を向上させるアプローチを提案する。
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) - 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) - AI4Food-NutritionFW: A Novel Framework for the Automatic Synthesis and
Analysis of Eating Behaviours [15.054674226906265]
本稿では,食行動に応じた食品画像データセット作成のためのフレームワークであるAI4Food-NutritionFWを提案する。
15の異なるプロファイルと1200の被験者から4,800の異なる週ごとの食事行動を含む、ユニークな食品画像データセットについて述べる。
また,提案したAI4Food-NutritionFWのソフトウェア実装と,それを用いた食品画像データセットもリリースしている。
論文 参考訳(メタデータ) (2023-09-12T15:19:36Z) - 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) - 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) - An Integrated System for Mobile Image-Based Dietary Assessment [7.352044746821543]
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。
論文 参考訳(メタデータ) (2021-10-05T00:04:19Z) - 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) - Saliency-Aware Class-Agnostic Food Image Segmentation [10.664526852464812]
クラス別食品画像分割法を提案する。
画像の前後の情報を利用すれば、目立たないオブジェクトを見つけることで、食べ物のイメージをセグメンテーションすることができる。
本手法は,食餌研究から収集した食品画像を用いて検証する。
論文 参考訳(メタデータ) (2021-02-13T08:05:19Z) - 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) - 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)
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。