論文の概要: Vision-language models boost food composition compilation
- arxiv url: http://arxiv.org/abs/2306.01747v1
- Date: Thu, 18 May 2023 03:18:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 14:06:28.184331
- Title: Vision-language models boost food composition compilation
- Title(参考訳): 視覚言語モデルが食品のコンポジションコンパイルを促進する
- Authors: Peihua Ma, Yixin Wu, Ning Yu, Yang Zhang, Michael Backes, Qin Wang,
Cheng-I Wei
- Abstract要約: 我々は,食品組成プロファイルを正確に推定するために,フロント・オブ・パッケージ・ラベリングと製品画像を用いた視覚言語AIモデル UMDFood-VL を開発した。
このモデルは、様々な栄養価推定において、畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)を大きく上回った。
この性能は、他の食品や栄養関連データに一般化する光を放ち、他の食品応用の進化を触媒した。
- 参考スコア(独自算出の注目度): 19.22188382823916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nutrition information plays a pillar role in clinical dietary practice,
precision nutrition, and food industry. Currently, food composition compilation
serves as a standard paradigm to estimate food nutrition information according
to food ingredient information. However, within this paradigm, conventional
approaches are laborious and highly dependent on the experience of data
managers, they cannot keep pace with the dynamic consumer market and resulting
in lagging and missing nutrition data and earlier machine learning methods
unable to fully understand food ingredient statement information or ignored the
characteristic of food image. To this end, we developed a novel vision-language
AI model, UMDFood-VL, using front-of-package labeling and product images to
accurately estimate food composition profiles. In order to drive such large
model training, we established UMDFood-90k, the most comprehensive multimodal
food database to date. The UMDFood-VL model significantly outperformed
convolutional neural networks (CNNs) and recurrent neural networks (RNNs) on a
variety of nutrition value estimations. For instance, we achieved macro-AUCROC
up to 0.921 for fat value estimation, which satisfied the practice requirement
of food composition compilation. This performance shed the light to generalize
to other food and nutrition-related data compilation and catalyzed the
evolution of other food applications.
- Abstract(参考訳): 栄養情報は臨床食実践、精密栄養、食品産業において柱となる役割を担っている。
現在、食品組成物の合成は食品成分情報に基づいて食品栄養情報を推定するための標準パラダイムとなっている。
しかし、このパラダイムでは、従来のアプローチはデータマネージャの経験に精通しており、ダイナミックな消費者市場に追いつくことができず、栄養データや初期の機械学習手法では食品成分のステートメント情報を十分に理解できなかったり、食品イメージの特徴を無視することができなかった。
そこで本研究では,前部包装ラベルと製品画像を用いて,食品組成プロファイルを正確に推定するビジョン言語aiモデルumdfood-vlを開発した。
このような大規模モデルトレーニングを推進するために,これまでで最も包括的なマルチモーダル食品データベースであるumdfood-90kを確立した。
UMDFood-VLモデルは、様々な栄養価推定において、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を著しく上回った。
例えば,脂肪価推定では最大0.921のマクロAUCROCを達成し,食品組成コンパイルの実践要件を満たした。
このパフォーマンスは、他の食品および栄養関連データコンパイルに一般化する光を照らし出し、他の食品応用の進化を触媒した。
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) - 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 [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) - Muti-Stage Hierarchical Food Classification [9.013592803864086]
トレーニングプロセス中に食品を反復的にクラスタリングし,マージすることで,食品分類のための多段階階層的枠組みを提案する。
本手法は,VFN栄養データセットを用いて評価し,食品の種類と食品の分類の両面で既存の研究と比較して有望な結果を得た。
論文 参考訳(メタデータ) (2023-09-03T04:45:44Z) - 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) - 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)
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。